論文閱讀——《Robust Superpixel Tracking》

• 論文閱讀——《Robust Superpixel Tracking》
• • 《Robust Superpixel Tracking》

論文閱讀——《Robust Superpixel Tracking》

《Robust Superpixel Tracking》

這是2014年發表在 IEEE Transactions on Image Processing上的一篇文章，主要基于超像素的方法解決外觀發生劇烈變化的物體追蹤問題，下面是論文實驗的結果

第一個表是定位的誤差，第二個表是成功追蹤的幀數，看上去本文的方法（SPT）都很棒啊，但是好奇的是為什么SPT在Tracking的圈子里好像不是很出名，在這篇知乎回答 計算機視覺中，目前有哪些經典的目標跟蹤算法里都沒有提到SPT的方法，是因為太慢？（五幀每秒），博主對Tracking接觸得不多，因此這個問題還有待考證。

這里我就簡單總結下論文提到的方法，作為學習參考，下面是本文算法的偽代碼：

算法的主要步驟是 初始化過程和 追蹤過程，其中
初始化過程是
（1）對視頻流的前四幀進行超像素分割，并對分割出來的超像素提取特征（這里的特征是 HSI顏色空間的顏色分布直方圖），然后用這些特征構建一個特征池 $F=\{f_t^r|t=1,\dots ,m;r=1,\dots ,N_t\}$;

（2）對特征池內的特征進行Kmeans聚類獲得基于超像素的外觀辨別模型（superpixle-based discriminative appearance model）：
外觀辨別模型其實指的是各個聚類的特征描述符，的主要由四個參數構成，分別是聚類的中心$f_c(i)$，聚類的半徑$r_c(i)$，聚類的超像素的數量$\left\{f_t^r|f_t^r\in clst(i)\right\}$，以及聚類的置信度$C_i^c$（屬于前景還是背景的概率），其計算公式如下$$C_i^c=\frac{S^{+}(i)?S^{?}(i)}{S^{+}(i)+S^{?}(i)},?i=1,\dots ,n$$其中$S^{+}(i)$和$S^{?}(i)$分別表示聚類$i$和前景、背景的覆蓋面積（這里我就有一個問題啦，難道還得先確定哪個像素屬于前景哪個像素屬于背景？）

追蹤過程是
（1）對圖像進行超像素的分割并提取各個超像素的特征，計算目標背景的置信圖：
這個置信圖是針對各個超像素來說的，主要包括兩個部分構成，一部分是這個超像素屬于哪個聚類，另一部分是這個超像素與聚類中心超像素的特征的距離，其計算公式如下：$$C_r^s=w(r,i)\times C_i^c,?r=1,\dots ,N_t$$其中$$\begin{array}{l}w(r,i)=\exp \left(?{\lambda }_d\times \frac{{\Vert f_I^F?f_c(i)\Vert }_2}{r_c(i)}\right)\\ ?r=1,\dots ,N_t,i=1,\dots ,n\end{array}$$$C_r^s$就是第$t$幀的第$r$個超像素的置信度（屬于前景還是背景的概率）。

（2）基于置信圖采樣$N$個狀態（其實指的就是追蹤用的bounding box）
本文的貝葉斯更新是通過采樣更新的，其實我覺得指的就是SIR粒子濾波，根運動模型采樣預測的狀態，然后根據觀測模型判斷哪個狀態是最合理的$${\hat{X}}_t=\underset{X_t^{(l)}}{\mathrm{argmax}}p\left(X_t^{(l)}|Y_{1:t}\right)?l=1,\dots ,N$$

（3）計算運動模型和觀測模型：
運動模型如下：$$p\left(X_t|X_{t?1}\right)=\mathcal{N}\left(X_t;X_{t?1},\Psi \right)$$其中$\Psi$是運動的參數（${\sigma }_c$表示移動變換的參數，${\sigma }_s$表示尺度變換的參數，但是${\sigma }_c$和${\sigma }_s$的具體表達式文中并誒有給出）的方差
觀測模型如下：$$p\left(Y_t|X_t^{(l)}\right)={\hat{C}}_l,?l=1,\dots ,N$$其中${\hat{C}}_l$表示各個采樣的歸一化置信度$${\hat{C}}_l=C_l\times \left[S\left(X_t^{(l)}\right)/S\left(X_{t?1}\right)\right],?l=1,\dots ,N$$$$C_l=\sum _{(i,j)\in M_l}{v}_l(i,j)$$其中$v_l(i,j)$表示像素$(i,j)$處的置信度大小（查詢它位于哪個超像素就能知道）$C_l$指的是沒有歸一化的狀態置信度，而$S\left(X_t^{(l)}\right)$和$S\left(X_{t?1}\right)$表示的是當前狀態的采樣和前一狀態（這里的狀態都可以理解為跟蹤的bounding box）的面積，這一步的具體操作可以根據下圖理解

右邊四個圖就是采樣結果，然后根據觀測可以判斷 $x_t^{(1)}$是對合理的，因此將 $x_t^{(1)}$更新為當前狀態。

（4）基于最大似然概率估計最有可能的狀態
這個其實就是上面的更新過程

（5）檢測和解決嚴重沖突的情況（這個機制我們先不去關注它，先搞清楚算法是怎樣實現追蹤的）
這里的步驟還沒有細看，但是是很巧妙的，SPT之所以能具有良好的了魯棒性和這一步的操作是分不開的，這個具體流程之后再看。

未完待續…

總結

以上是生活随笔為你收集整理的论文阅读——《Robust Superpixel Tracking》的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。