【摘要】：近年来，视觉跟踪作为计算机视觉中的基础问题，得到了广泛的研究。跟踪算法也得到了广泛的应用，例如无人驾驶以及我们的智能行李箱。
近年来，视觉跟踪作为计算机视觉中的基础问题，得到了广泛的研究。跟踪算法也得到了广泛的应用，例如无人驾驶以及我们的智能行李箱。
视觉跟踪算法的主要功能是在视频序列中，给定一个目标的矩形框，算法在后续的视频序列中持续定位到目标的位置。
如何高效地利用机器学习的方法解决跟踪问题，以及如何将问题进行转化是非常核心的问题。通常，人们会将跟踪算法分为产生式跟踪算法和判别式跟踪算法。下面我将介绍几种更细致的划分。
分类器：
显然，对于跟踪问题，我们可以构建一个前景(目标)-背景分类的分类器。在目标周围采样大量的正样本，在较远的周围采样许多的负样本，这样就可以构成一个前景-背景样本的训练集。在此基础上，我们可以使用SVM，基于树的判别模型进行分类。
这种做法的缺点也非常明显，为了得到判别能力很强的分类器，我们需要提取大量的正负样本;并且对于这些样本，提取特征也会花费较多时间;此外，判别器的学习也非常缓慢。这使得跟踪算法的实时性应用得到制约。
相关滤波(线性score回归)
在很长一段时间内，视觉跟踪算法都是基于上述的粒子滤波框架。直到2010年，Bolme 将相关滤波引入到视觉跟踪。这种算法利用循环移位的采样方式，可以密集的对目标图片进行采样。同时，算法通过傅里叶变换的方式将时域问题转换到频域进行求解，取得了超过600 FPS(frame per second)。
在此基础上，进行了核化以及多通道的扩展，得到大家较为熟知的KCF算法。从2013年到2017年，可以说是这一算法蓬勃发展时期，基本统治目标跟踪领域(每年有一半以上的目标跟踪算法都基于相关滤波)。
除了上述的发展背景，我们也需要指出，这种 算法相对于之前的分类器算法而言，只是在采样的方式上使用了循环移位的采样方式，将分类为题的0-1为题转化 成回归一个高斯响应。
位置回归
在上述背景中，我们在专注于跟踪领域发展的同时，也会同步的看到其他领域的发展。自从2012 NIPS会议中 AlexNet的诞生，深度学习宣告全面复苏。时至今日，当我们讨论到各个领域的方法的时候，深度学习都是几乎不 可避免的工具。
同样的，深度学习也逐步席卷目标跟踪领域。大量的算法通过直接使用深度学习特征来替换传统的手工特征，使得性能得到了显著提升。而本节中，我们主要讲解的是基于位置回归的深度学习算法——GOTURN。 这也是第一个实时的端到端深度学习跟踪算法。该算法通过离线过程中进行大量的训练学习，在线过程中，直接给定搜索图像和搜索区域，通过神经网络直接回归出目标在搜索图像中的位置。
这种算法的突破在于，在线过程中完全不需要任何的?netuning，以及不同于大多数基于分类和相关滤波的方法，直接进行位置回归。这也使得算法不需要进行大量的采样，效率非常高，可以在GTX1060上达到100FPS。
决策(RL)
除了上述的位置回归方式外，我们还可以通过将跟踪问题转换为决策问题。当给定目标图像和搜索区域的时候，我们可以通过选择是上下左右调整还是放大缩小的调整位置(每一次调整当做一个决策)。
当问题转换为决策问题后，我们就可以使用监督学习，以及强化学习(RL)来进行训练。同时，相比于传统的基于采样的方式，该算法只 需要几次迭代修正就可以找到目标，而不需要采样大量的样本，这也比传统的算法更加高效。
通过将跟踪算法进行转化的几种方式我们可以看出：一个简单的跟踪问题，通过不同的问题定义，竟然可以产生这么多的变化。这也印证了，一千个读者心中有一千个哈姆雷特。通过看待问题的角度的不同，是创造的一种方式。
扫二维码用手机看
焊缝跟踪不用愁
有啥问题找睿牛！
地址：苏州市昆山市浩盛工业园
座机：0512-80171802 / 0512-80171805
联系人：张先生 18626329319
邮箱：zhangxiangfeng@renue.com.cn
传真：0512-80171801
网址：www.renue.com.cn
Copyright © 2020 苏州睿牛机器人技术有限公司 All rights reserved 苏ICP备18033221号-1
