HVC-Net：面向平面目标跟踪的齐次变换、可见性与置信度统一学习
计算机视觉与模式识别
2022-09-20 v1
摘要
在整个视频序列上实现鲁棒且准确的平面跟踪对许多视觉应用至关重要。平面目标跟踪的关键在于寻找参考图像与跟踪图像之间由单应性（homography）建模的目标对应点。现有方法在外观变化、相机-目标相对运动及遮挡情况下容易产生错误对应。为缓解该问题，我们提出一种联合考虑单应性、可见性与置信度的统一卷积神经网络（CNN）模型。首先，我们引入相关块，显式刻画局部外观变化与相机-目标相对运动，作为模型基础。其次，我们联合学习将相机-目标相对运动与遮挡相关联的单应性与可见性。第三，我们提出一种置信度模块，从相关块中获得的像素相关分布主动监测估计质量。所有这些模块被嵌入Lucas-Kanade（LK）跟踪流程中，以获得准确且鲁棒的平面目标跟踪。我们的方法在公开POT和TMT数据集上优于最先进方法，其优越性能也在真实应用（合成高质量视频内广告）中得到验证。
引用
@article{arxiv.2209.08924,
title = {HVC-Net: Unifying Homography, Visibility, and Confidence Learning for Planar Object Tracking},
author = {Haoxian Zhang and Yonggen Ling},
journal= {arXiv preprint arXiv:2209.08924},
year = {2022}
}
备注
Accepted to ECCV 2022