面向视觉跟踪的更快空间正则化相关滤波器
计算机视觉与模式识别
2017-06-02 v1
摘要
判别式学习的相关滤波器（DCF）因其简单高效而被广泛应用于在线视觉跟踪领域。这些方法利用训练样本的周期性假设构建循环数据矩阵，从而隐式地增加训练样本并降低存储和计算复杂度。该周期性假设也引入了不期望的边界效应。最近，空间正则化相关滤波器（SRDCF）通过根据相关滤波器系数的空间位置引入惩罚来解决这一问题。然而，由于循环结构的破坏，SRDCF 的效率急剧下降。我们提出了用于跟踪的更快空间正则化判别式相关滤波器（FSRDCF）。FSRDCF 由岭回归构建，充分利用了空间域中训练样本的循环结构，更重要的是，我们进一步利用了傅里叶域中正则化函数的循环结构，这使得我们的问题能够更直接、更高效地求解。在三个基准数据集 OTB-2013、OTB-2015 和 VOT2016 上进行了实验。我们的方法在所有三个数据集上取得了与基线跟踪器 SRDCF 相当的性能。在 OTB-2013 和 OTB-2015 数据集上，我们的方法运行速度比 SRDCF 快两倍以上，启动时间缩短三分之一以上。在与最先进方法的比较中，我们的方法相比其他非空间正则化跟踪器展现了优越的性能。
引用
@article{arxiv.1706.00140,
title = {Faster Spatially Regularized Correlation Filters for Visual Tracking},
author = {Xiaoxiang Hu and Yujiu Yang},
journal= {arXiv preprint arXiv:1706.00140},
year = {2017}
}