基于核化相关滤波器的高速跟踪
计算机视觉与模式识别
2014-11-06 v3
摘要
大多数现代跟踪器的核心组件是一个判别式分类器，其任务是区分目标和周围环境。为了应对自然图像变化，该分类器通常使用平移和缩放的样本块进行训练。这样的样本集充满了冗余——任何重叠的像素都被约束为相同。基于这一简单观察，我们提出了一个包含数千个平移块的数据集的分析模型。通过证明所得数据矩阵是循环的，我们可以用离散傅里叶变换将其对角化，从而将存储和计算减少几个数量级。有趣的是，对于线性回归，我们的公式等价于相关滤波器，被一些最快的竞争性跟踪器使用。然而，对于核回归，我们推导出一种新的核化相关滤波器(KCF)，与其他核算法不同，它具有与其线性对应物完全相同的复杂度。在此基础上，我们还通过线性核提出了一种快速的多通道线性相关滤波器扩展，称为对偶相关滤波器(DCF)。KCF和DCF在50个视频的基准测试中优于顶级跟踪器(如Struck或TLD)，尽管运行速度达到每秒数百帧，并且仅用几行代码实现(算法1)。为了鼓励进一步的发展，我们的跟踪框架已开源。
引用
@article{arxiv.1404.7584,
title = {High-Speed Tracking with Kernelized Correlation Filters},
author = {João F. Henriques and Rui Caseiro and Pedro Martins and Jorge Batista},
journal= {arXiv preprint arXiv:1404.7584},
year = {2014}
}