判别性尺度空间跟踪
计算机视觉与模式识别
2016-09-21 v1
摘要
目标精确尺度估计是视觉目标跟踪中一个具有挑战性的研究问题。大多数最先进的方法采用穷举尺度搜索来估计目标大小。穷举搜索策略计算成本高，并且在遇到大幅度尺度变化时表现不佳。本文在检测跟踪框架下研究精确且鲁棒的尺度估计问题。我们提出一种新颖的尺度自适应跟踪方法，通过为平移和尺度估计学习独立的判别相关滤波器。显式尺度滤波器使用在一组不同尺度上采样的目标外观在线学习。与标准方法相反，我们的方法直接学习目标尺度变化引起的外观变化。此外，我们研究了降低该方法计算成本的策略。在OTB和VOT2014数据集上进行了大量实验。与标准穷举尺度搜索相比，我们的方法在OTB数据集上平均重叠精度提高了2.5%。此外，我们的方法计算高效，与穷举尺度搜索相比以高出50%的帧率运行。我们的方法在性能上取得顶级排名，在OTB上超越19个最先进跟踪器，在VOT2014上超越37个最先进跟踪器。
引用
@article{arxiv.1609.06141,
title = {Discriminative Scale Space Tracking},
author = {Martin Danelljan and Gustav Häger and Fahad Shahbaz Khan and Michael Felsberg},
journal= {arXiv preprint arXiv:1609.06141},
year = {2016}
}
备注
To appear in TPAMI. This is the journal extension of the VOT2014-winning DSST tracking method