在线客服
客服热线
18626329319
客服组:
在线客服
QQ:
QQ:
服务时间:
8:00 - 18:00

公司电话:

18626329319

版权所有 © 苏州睿牛机器人技术有限公司     技术支持:中企动力    苏州   备案号:苏ICP5441545号      HTML地图     

公司地址:

苏州市张家港沙洲湖科创园G2幢

首  页       |       关于我们       |       产品中心       |       新闻中心       |       产品视频       |       营销网络       |       联系我们

>
新闻资讯
>
简述视觉跟踪算法

简述视觉跟踪算法

浏览量
【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finetuning,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。