分享

              更多

                 

              CN和CSK运动跟踪算法

              2016-03-28  黑尘子

              KCF和CN的运动跟踪算法

              对运动跟踪的工作有一段时间,由最开始使用OpenCv自带的CamShift跟踪算法到(Exploiting the Circulant Structure of
              Tracking-by-detection with Kernels)Csk算法,再到其升级版的(Adaptive Color Attributes for Real-Time Visual Tracking)CN跟踪算法。CSK是2012年ECCV发表的一篇非常高效的运动跟踪文章(150FPS左右),其分析是在灰度空间上进行的,缺乏颜色信息,而CN则在CSK的基础上增加彩色信息,效果比CSK要好,但效率有所下降(100FPS左右),感觉CN的跟踪比tld、ct更加平滑,实时性也比较高。其缺点是对多尺度目标的跟踪效果较差,并且由于其分析是在频域上进行,当跟踪窗的尺寸较大时,其效率会直线下滑,且一旦丢失目标后,就无法再次进行跟踪。本博文主要介绍Csk和CN的算法原理和实现步骤.
              先给出两篇论文的官方网址
              Csk跟踪算法的官?#38477;?#22336;:

              CSK跟踪原理

              由于CN是对CSK的改进,我们先了解CSK的跟踪原理。
              

              大体上,大部分运动跟踪都是通过查找两个相邻帧的相互关系,再?#33539;?#30446;标对象的运动?#36739;潁?#26080;限迭代后,能完整地跟踪对象,CSK也是如此。在?#33539;?#36319;踪对象后,根据目标位置扣出该帧的目标窗和下一帧的目标窗,再对这两个窗进行FFT,转化后在频域图直接点乘。这个过程可简单理解为是求两个相连帧的频域共振位置,然后将共振频域图利用核函数进行核映射,再进行训练。
              训练过程引入原始响应Y,Y可以理解为是对象的起始位置,因为起始位置都是第一帧的?#34892;模?#25152;?#38405;?#30475;到Y的图像是根据跟踪窗大小的建立的高斯函数。
              训练的目的则是要?#39029;?#24403;前帧对应的α,其训练公式如下:
              这里写图片描述 (Eq. 7)
              训练完毕后,根据下一帧的核映射,可检测出对应的响应图像y?,检测公式如下:
              这里写图片描述 (Eq. 9)
              其中,起始帧的起始响应Y和下一帧的响应y?的图像分别如下
              Y:这里写图片描述
              y?这里写图片描述
              可看出,响应图y?出现微弱的偏移,该偏移便是跟踪对象的运动?#36739;潁?#26681;据最新位置,更新下一帧的起始位置,并重复上诉步骤,则能得到对象的位置序列.
              下图是CSK文章中的主要逻辑图,其关键点便是训练和检测。
              这里写图片描述
              为什么CSK这么快?
              如CSK文章的标题所示,CSK使用了循环结构进行相邻帧的相关性检测。所谓的循环结构,其实质是两帧在频域上进行点乘操作,即两帧在时域上做卷积。在以前的运动跟踪,相关性检测都是使用滑窗法完成的,若窗的滑动步长为1,即可看作是两帧之间做卷积。但在时域上做卷积的运算量是非常惊人的,而在频域上做点乘,运算量则小得多,因而CSK使用的循环结构在频域上做分析,则能很好地提速。

              CN跟踪算法

              CN其实是一种颜色命名方式,与RGB、HSV同属一类,CN的文章中的研究表明,CN空间的效果比其他空间都要好,因而使用了CN颜色空间对CSK进行颜色扩展。CN的拓展思路非常简单,先将RGB空间的图像映射到CN空间(CN空间是11通道,分别是black , blue , brown , grey , green , orange , pink , purple , red , white , yellow),并对每一个通道均进行FFT、核映射,最后将11通道的频域信号线性相加(sum),继而完成CSK的 计算,如α的计算、训练、检测等。但这种做法的运算量显然非常大。
              为降低运算,CN的论文中提出使用PCA降维。CN的11个通道的颜色并非均有意义,其中能代表主要颜色的可能只有2维,因而使用PCA降唯,11个通道通过降维矩阵降至2维,其运算量也能提高不少。

              结果
              下面贴上CN最后的跟踪结果,由于csdn只支持2M的gif图,只能贴一小部分了。
              这里写图片描述

                本站是提供个人知识管理的网络存储空间,所有内容均由用户发布,不代表本站观点。如发现有害或侵权内容,请点击这里 或 拨打24小时举报电话:4000070609 与我们联系。

                猜你?#19981;?/strong>

                0条评论

                发表

                类似文章 更多

                至尊彩票

                                        广东快乐十分几点开奖 山西快乐十分钟前三 欢乐斗地主透视工具 3d6码组三遗漏 彩经网双色球走势图 上海时时彩最新开奖结果 竞彩篮球胜分差分析 江苏7位数最新开奖一 年期特码心想 大乐透历史出号2019124 手机现金捕鱼平台 极速快乐十分免费计划 福建时时彩开奖现场 法甲20轮战报 两码中特期期准免2码中特永久公开