用于视觉跟踪的空间正则化相关滤波学习
计算机视觉与模式识别
2016-09-21 v1
摘要
鲁棒且准确的视觉跟踪是最具挑战性的计算机视觉问题之一。由于训练数据固有匮乏，构建目标外观模型的鲁棒方法至关重要。近来，判别相关滤波（DCF）已成功应用于解决该跟踪问题。这些方法利用训练样本的周期性假设，在目标邻域的所有块上高效学习分类器。然而，周期性假设也引入了不期望的边界效应，严重降低了跟踪模型的质量。我们提出用于跟踪的空间正则化判别相关滤波（SRDCF）。在学习中引入空间正则化分量，依据相关滤波系数的空间位置对其进行惩罚。我们的 SRDCF 公式允许在显著更大的负训练样本集上学习相关滤波，而不破坏正样本。我们进一步提出一种基于迭代 Gauss-Seidel 方法的优化策略，用于高效在线学习我们的 SRDCF。实验在四个基准数据集 OTB-2013、ALOV++、OTB-2015 和 VOT2014 上进行。我们的方法在所有四个数据集上均达到最先进结果。在 OTB-2013 和 OTB-2015 上，相较于现有最佳跟踪器，我们的平均重叠精度分别获得 8.0% 和 8.2% 的绝对提升。
引用
@article{arxiv.1608.05571,
title = {Learning Spatially Regularized Correlation Filters for Visual Tracking},
author = {Martin Danelljan and Gustav Häger and Fahad Shahbaz Khan and Michael Felsberg},
journal= {arXiv preprint arXiv:1608.05571},
year = {2016}
}
备注
ICCV 2015