为热红外目标跟踪中的贝叶斯滤波辩护与复兴
计算机视觉与模式识别
2024-07-29 v1
摘要
基于深度学习的方法垄断了热红外 (TIR) 目标跟踪领域的最新研究。然而，仅依赖深度学习模型来获得更好的跟踪结果，需要仔细选择有利于表示目标对象的特征信息并设计合理的模板更新策略，这无疑增加了模型设计的难度。因此，最近的 TIR 跟踪方法在复杂场景中面临许多挑战。本文介绍了一种新颖的深度贝叶斯滤波 (DBF) 方法，以增强这些挑战性情况下的 TIR 跟踪。DBF 的独特之处在于其双模型结构：系统模型和观测模型。系统模型利用运动数据，基于二维布朗运动估计目标对象的潜在位置，从而生成先验概率。随后，在捕获 TIR 图像时，观测模型发挥作用。它作为分类器，利用红外信息确定这些估计位置的可能性，创建似然概率。根据这两个模型的指导，可以确定目标对象的位置，并动态更新模板。在多个基准数据集上的实验分析表明，DBF 取得了具有竞争力的性能，在复杂场景中超越了大多数现有的 TIR 跟踪方法。
引用
@article{arxiv.2402.17098,
title = {In Defense and Revival of Bayesian Filtering for Thermal Infrared Object Tracking},
author = {Peng Gao and Shi-Min Li and Feng Gao and Fei Wang and Ru-Yue Yuan and Hamido Fujita},
journal= {arXiv preprint arXiv:2402.17098},
year = {2024}
}