规模感知跟踪方法与外观特征过和框架间连续性

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 视觉对象跟踪在计算机视觉中至关重要,但尺度变化构成了重大挑战.
• 基于歧视性关联波器 (DCF) 的追踪器与规模变化作斗争,特别是在计算约束下.
• 现有的规模估计的多尺度特征方法是计算密集的,阻碍了实时性能.

研究的目的:

• 开发用于视觉对象跟踪的实用和高效的解决方案,以解决尺度变化.
• 创建一个与任何基于DCF的追踪器兼容的插件模块,增强强性而不需要多尺度功能.
• 为了降低DCF追踪器的计算成本,同时保持高精度和实时性能.

主要方法:

• 利用颜色名称 (CN) 特性和突出特征来减少目标外观模型的维度.
• 估计目标规模使用高斯分布模型,结合全球和本地规模一致性假设.
• 合并的拟议规模估计与DCF跟踪结果,以更新目标位置和规模.

主要成果:

• 在Temple Color 128基准数据集上实现了竞争力的准确性和稳定性.
• 与现有方法相比,显著降低了计算成本.
• 证明了拟议方法作为DCF追踪器插件模块的有效性.

结论:

• 拟议的方法提供了一个高效和实用的解决方案,用于视觉对象跟踪与尺度变化.
• 这种方法可以提高DCF跟踪器的性能,因为它可以有效地处理规模变化,而无需使用多个规模的功能.
• 这种方法适用于具有有限计算资源的实时应用.