隨著深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)方面大放異彩，近幾年物體追蹤也得到了飛速的發(fā)展。物體追蹤解決的問(wèn)題是在一段時(shí)間內(nèi)對(duì)于同一個(gè)物體在復(fù)雜的背景下（如遮擋，光照，物體旋轉(zhuǎn)等），進(jìn)行持續(xù)高速的跟蹤。因此，物體追蹤是監(jiān)控，安防，自動(dòng)駕駛，無(wú)人機(jī)，智能家居等應(yīng)用中必須解決的關(guān)鍵課題。
作為視覺(jué)跟蹤領(lǐng)域的最高峰，Visual-Object-Tracking Challenge (VOT) 是國(guó)際目標(biāo)跟蹤領(lǐng)域最權(quán)威的測(cè)評(píng)平臺(tái)，由伯明翰大學(xué)、盧布爾雅那大學(xué)、布拉格捷克技術(shù)大學(xué)、奧地利科技學(xué)院聯(lián)合創(chuàng)辦，旨在評(píng)測(cè)在復(fù)雜場(chǎng)景下單目標(biāo)短時(shí)跟蹤的算法性能。由于每年的評(píng)測(cè)序列都會(huì)更新，且標(biāo)注的精確度一年一年提高，VOT競(jìng)賽也被視為視覺(jué)跟蹤領(lǐng)域最難的競(jìng)賽，遠(yuǎn)遠(yuǎn)超過(guò)了其他數(shù)據(jù)集。因此，每年最好的追蹤算法都會(huì)在上面一展拳腳，在激烈的比拼中擦出靈感的火花。
今年的比賽 VOT 2017，作為 ICCV 2017的一個(gè)workshop，吸引了來(lái)自全世界的38個(gè)隊(duì)伍參加（CMU，中科院，法國(guó)科學(xué)院，香港理工，華中科技大學(xué)，國(guó)防科大，美國(guó)海軍研究院，牛津大學(xué)，中國(guó)科技大學(xué)，浙江大學(xué)等），提交了38個(gè)新的算法參加了比賽，加上組委會(huì)自行提交的13個(gè)算法，總共對(duì)比分析了51個(gè)跟蹤器在VOT2017 數(shù)據(jù)集上的表現(xiàn)。
在公開(kāi)的38個(gè)隊(duì)伍中，大連理工大學(xué)的盧湖川教授隊(duì)伍奪得第一名。由北京郵電大學(xué)董遠(yuǎn)教授指導(dǎo)，北京飛搜科技&北京郵電大學(xué)代表隊(duì)何智群、樊應(yīng)若、莊駿飛、白洪亮提交的結(jié)果（CFWCR）獲得VOT 2017競(jìng)賽公開(kāi)的60個(gè)評(píng)測(cè)序列中第二名。
VOT 競(jìng)賽，檢驗(yàn)當(dāng)前單目標(biāo)追蹤最高標(biāo)準(zhǔn)
VOT 2017與VOT 2016相比，VOT 2016中某些序列已經(jīng)被多數(shù)tracker準(zhǔn)確跟蹤，所以在VOT 2017中，將VOT 2016的10個(gè)評(píng)測(cè)效果差圖像序列替換如圖1，并且保證總體的序列屬性分布不變。與此同時(shí)，VOT2017相對(duì)于VOT2016對(duì)所有序列的還對(duì)所有序列的ground truth進(jìn)行了重新標(biāo)定，精確到像素級(jí)別，然后重新擬合矩形框。
圖1 vot2017標(biāo)注變化圖
VOT2017使用EAO（Expected Average Overlap）、Accuracy、Robustness三個(gè)主要指標(biāo)對(duì)跟蹤結(jié)果進(jìn)行評(píng)估，
平均重疊期望（EAO）是對(duì)每個(gè)跟蹤器在一個(gè)短時(shí)圖像序列上的非重置重疊的期望值，是VOT評(píng)估跟蹤算法精度的最重要指標(biāo)。
準(zhǔn)確率（Accuracy）是指跟蹤器在單個(gè)測(cè)試序列下的平均重疊率（兩矩形框的相交部分面積除以兩矩形框的相并部分的面積）。
魯棒性（Robustness）是指單個(gè)測(cè)試序列下的跟蹤器失敗次數(shù)，當(dāng)重疊率為0時(shí)即可判定為失敗。
平均重疊期望（EAO）是對(duì)每個(gè)跟蹤器在一個(gè)短時(shí)圖像序列上的非重置重疊的期望值，是VOT評(píng)估跟蹤算法精度的最重要指標(biāo)。
準(zhǔn)確率（Accuracy）是指跟蹤器在單個(gè)測(cè)試序列下的平均重疊率（兩矩形框的相交部分面積除以兩矩形框的相并部分的面積）。
魯棒性（Robustness）是指單個(gè)測(cè)試序列下的跟蹤器失敗次數(shù)，當(dāng)重疊率為0時(shí)即可判定為失敗。
今年的VOT結(jié)果如下：
圖2 VOT2017結(jié)果圖
VOT 2017結(jié)果顯示，目前跟蹤算法的主流方法主要分為三種，一是傳統(tǒng)的相關(guān)濾波方法，二是基于卷積神經(jīng)網(wǎng)絡(luò)方法，三是深度卷積特征和傳統(tǒng)的協(xié)同濾波相結(jié)合的方法。
其中，使用深度卷積特征和協(xié)同濾波結(jié)合的方法效果最好。例如今年VOT第一名，大連理工大學(xué)盧老師的LSART，他們提出的追蹤器以一種新的方式結(jié)合了CNN和相關(guān)濾波，通過(guò)設(shè)計(jì)算法讓CNN專注于特定區(qū)域的回歸，相關(guān)濾波專注于全局的回歸，在最后對(duì)回歸的結(jié)果進(jìn)行組合，以互補(bǔ)的方式得到物體的精確定位。
今年VOT的51個(gè)tracker中，深度特征和相關(guān)濾波結(jié)合的方法共9種，采用如VGG網(wǎng)絡(luò)提取特征再輸入到相關(guān)濾波框架內(nèi)，以非端到端線上更新濾波參數(shù)，達(dá)到準(zhǔn)確追蹤的效果。這9種深度特征和相關(guān)濾波結(jié)合的方法在VOT2017種表現(xiàn)均較為出色，包攬了前四名。
VOT 2017視覺(jué)跟蹤第二名技術(shù)：?jiǎn)尉矸e特征的相關(guān)濾波解決方案
北京飛搜科技&北京郵電大學(xué)代表隊(duì)提交的結(jié)果（CFWCR）獲得VOT 2017競(jìng)賽公開(kāi)的60個(gè)評(píng)測(cè)序列中第二名。
我們的方法基于業(yè)界流行的相關(guān)濾波的框架。我們使用了單CNN特征的多尺度追蹤方案?，F(xiàn)有很多追蹤器融合了CNN特征和傳統(tǒng)的機(jī)器學(xué)習(xí)特征，如hog特征，CN顏色特征等。在我們的實(shí)驗(yàn)中，我們發(fā)現(xiàn)CNN的淺層特征具有物體輪廓的信息，高層的深度特征具有物體的語(yǔ)義信息，將CNN的淺層和高層特征進(jìn)行融合，能使追蹤器具有很好的性能。
圖3 CFWCR追蹤效果對(duì)比圖
使用相關(guān)濾波框架的一大困難是具有很多的超參數(shù)，這和目前主流的端到端深度學(xué)習(xí)訓(xùn)練框架有很大的不同。我們發(fā)現(xiàn)用PCA對(duì)特征進(jìn)行壓縮，能使得追蹤器在追蹤速度上有很大的提高，但是性能會(huì)略有下降。因此，我們?cè)谠u(píng)測(cè)上沒(méi)有使用PCA，而在實(shí)用的追蹤系統(tǒng)中用PCA能更好地均衡速度和精度。
下面是我們的追蹤器在不同的序列長(zhǎng)度下的表現(xiàn)曲線?？梢钥吹?，我們的算法在短視頻序列的表現(xiàn)明顯優(yōu)于其他主流的算法。
圖4 CFWCR重疊率性能圖
視覺(jué)跟蹤未來(lái)展望：充分利用CNN
連續(xù)兩年的VOT比賽中，基于相關(guān)濾波和CNN結(jié)合的追蹤器表現(xiàn)突出，在性能指標(biāo)上遙遙領(lǐng)先于其他算法。然而，非端到端的訓(xùn)練框架擁有很多的超參數(shù)，線上更新的方式也使得在實(shí)際算法部署的過(guò)程中，目前性能最優(yōu)的一些追蹤器難以滿足實(shí)時(shí)性的要求。
視覺(jué)追蹤方向和物體檢測(cè)、物體分割方向不同的一點(diǎn)，在于CNN并沒(méi)有完全發(fā)揮它的強(qiáng)大作用。未來(lái)的視覺(jué)追蹤方向應(yīng)該會(huì)更加關(guān)注實(shí)時(shí)性和訓(xùn)練的便捷性，端到端訓(xùn)練的追蹤器會(huì)更多涌現(xiàn)，讓CNN能夠完全在視覺(jué)追蹤領(lǐng)域發(fā)揮功效。我們也將繼續(xù)在視覺(jué)跟蹤領(lǐng)域深入研究，希望能給學(xué)術(shù)界和工業(yè)界做一些小小的貢獻(xiàn)！
免責(zé)申明:本站所有內(nèi)容均來(lái)自網(wǎng)絡(luò),我們對(duì)文中觀點(diǎn)保持中立,對(duì)所包含內(nèi)容的準(zhǔn)確性,可靠性或者完整性不提供任何明示或暗示的保證,請(qǐng)僅作參考。若有侵權(quán),請(qǐng)聯(lián)系刪除。
文章來(lái)源：新智元
1.《【視覺(jué)目標(biāo)跟蹤最高峰】VOT Challenge 2017 亞軍北郵團(tuán)隊(duì)技術(shù)分享》援引自互聯(lián)網(wǎng)，旨在傳遞更多網(wǎng)絡(luò)信息知識(shí)，僅代表作者本人觀點(diǎn)，與本網(wǎng)站無(wú)關(guān)，侵刪請(qǐng)聯(lián)系頁(yè)腳下方聯(lián)系方式。
2.《【視覺(jué)目標(biāo)跟蹤最高峰】VOT Challenge 2017 亞軍北郵團(tuán)隊(duì)技術(shù)分享》僅供讀者參考，本網(wǎng)站未對(duì)該內(nèi)容進(jìn)行證實(shí)，對(duì)其原創(chuàng)性、真實(shí)性、完整性、及時(shí)性不作任何保證。
3.文章轉(zhuǎn)載時(shí)請(qǐng)保留本站內(nèi)容來(lái)源地址，http://f99ss.com/fangchan/13068.html