Shallow and Deep Learning for Robust Online Object Tracking.pdf

1、本論文探討了計(jì)算機(jī)視覺領(lǐng)域最為根本的視覺目標(biāo)跟蹤算法問題。目標(biāo)跟蹤算法廣泛地應(yīng)用于各種智能監(jiān)控場景，人機(jī)交互，醫(yī)學(xué)成像，以及自動(dòng)駕駛等等，能夠顯著提高監(jiān)控效率，降低社會(huì)成本，具有廣泛的研究意義和應(yīng)用前景。盡管目標(biāo)跟蹤算法受到較多關(guān)注，但其性能依然受限于目標(biāo)形態(tài)變化、快速運(yùn)動(dòng)、光照變化、嚴(yán)重遮擋、離開視野等等。本論文工作主要包括利用淺度和深度的學(xué)習(xí)提高視覺跟蹤算法的魯棒性。研究成果主要體現(xiàn)在如下幾個(gè)方面：
　　首先，本文提出了一種基

2、于多相關(guān)濾波器的長期跟蹤算法，各濾波器具有不同的更新策略，協(xié)同地進(jìn)行長期跟蹤。本文首先回顧了目標(biāo)跟蹤的模型更新問題，即模型更新過快導(dǎo)致漂移，更新過慢導(dǎo)致無法適應(yīng)目標(biāo)的外觀形狀變化。在嚴(yán)重遮擋或者目標(biāo)消失的時(shí)候，本文設(shè)計(jì)了基于支持向量機(jī)的重檢測機(jī)制，一旦目標(biāo)重新進(jìn)入視野，本文算法能夠重新捕獲目標(biāo)從而對(duì)跟蹤目標(biāo)。為了提高濾波器的性能，我們還提出了一種新的亮度直方圖特征對(duì)目標(biāo)進(jìn)行描述。廣泛的實(shí)驗(yàn)證明，本文的算法性能優(yōu)越，能有效解決嚴(yán)重遮擋、目

3、標(biāo)丟失、尺度變化等跟蹤難點(diǎn)。
　　其次，鑒于傳統(tǒng)的手工設(shè)計(jì)的特征對(duì)目標(biāo)跟蹤性能的影響，本文探討了如何有效利用深度學(xué)習(xí)特征提高跟蹤算法的魯棒性。典型的深度神經(jīng)網(wǎng)絡(luò)描述了輸入圖像的不同層次的抽樣信息，比如靠近輸入端的網(wǎng)絡(luò)層更注重圖像的紋理細(xì)節(jié)，而靠近輸出端的網(wǎng)絡(luò)層保留的是圖像的抽象語義信息。本文提出了先利用高層的抽象信息對(duì)目標(biāo)進(jìn)行粗略定位，再利用淺層的紋理細(xì)節(jié)進(jìn)行精細(xì)定位。這種自粗向細(xì)的跟蹤算法結(jié)合了深度學(xué)習(xí)和相關(guān)濾波器的優(yōu)勢，在大規(guī)

4、模的目標(biāo)跟蹤測試集上取得了當(dāng)前最好的結(jié)果，速度也領(lǐng)先于當(dāng)前基于深度學(xué)習(xí)的跟蹤算法。
　　再次，本文探討了相關(guān)濾波器和卷積濾波器的聯(lián)系，并且提出了利用三層的深度神經(jīng)網(wǎng)絡(luò)直接學(xué)習(xí)空間上的相關(guān)性。本文采用一種保守的策略更新深度的卷積神經(jīng)網(wǎng)絡(luò)，使得學(xué)到的深度網(wǎng)絡(luò)更好的保留了關(guān)于跟蹤目標(biāo)的長期記憶。深度網(wǎng)絡(luò)的輸出響應(yīng)和相關(guān)濾波器的輸出響應(yīng)同時(shí)用來預(yù)測目標(biāo)出現(xiàn)的位置。
　　最后，本文提出了利用深度卷積神經(jīng)網(wǎng)絡(luò)在大規(guī)模的視頻序列上學(xué)習(xí)時(shí)間

5、不變性特征來對(duì)目標(biāo)進(jìn)行跟蹤。實(shí)驗(yàn)結(jié)果表明時(shí)間不變性特征對(duì)不同運(yùn)動(dòng)模式都較為魯棒，相比于傳統(tǒng)的基于梯度的手工設(shè)計(jì)的特征，能夠明顯提升目標(biāo)跟蹤算法的性能。本方法采用線性的相關(guān)濾波器對(duì)時(shí)間序列上相鄰幀進(jìn)行建模。
　　綜上所述，本文對(duì)視覺目標(biāo)跟蹤算法的關(guān)鍵問題點(diǎn)進(jìn)行了廣泛深入的研究。針對(duì)模型更新問題，利用淺度學(xué)習(xí)和長短期記憶效應(yīng)設(shè)計(jì)跟蹤算法；針對(duì)傳統(tǒng)手工特征的局限，提出深度學(xué)習(xí)特征和多相關(guān)濾波器相結(jié)合的跟蹤算法；此外，本文討論了深度神經(jīng)網(wǎng)