基于核相关滤波器KCF的高速跟踪PPT介绍: Although the reasons for doing so are understandable, we argue that undersampling negatives is the main factor inhibiting performance in tracking. These analytical tools, namely circulant matrices, provide a useful bridge between popular learning algorithms and classical signal processing. The kernelized version of a linear correlation filter, which forms the basis for the fastest trackersavailable.

针对多目标跟踪算法中经常会面临的各种挑战, 如相机的突然运动、遮挡、误检和外观相似等情况, 提出一种基于核相关滤波(KCF)的分步关联框架。首先, 该算法采用基于卷积神经网络的目标检测器检测目标, 获得准确的检测结果。然后, 为了更好地预测目标的运动状态, 通过加权融合三种特征的跟踪结果, 为每个目标建立一个基于KCF算法的快速跟踪器。此外, 为了有效地降低碎片化轨迹的数量, 该算法通过跟踪片的置信度分步关联轨迹, 并在遮挡的情况下, 利用在线随机蕨重新检测目标。最后利用关联成功的检测信息自适应更新KCF算法中的尺度。实验结果表明, 与现有算法相比, 所提算法能够在各种复杂的条件下, 表现出强大和高效的跟踪性能。

大多数现代跟踪器的核心部件是识别分类器，其任务是区分目标和周围环境。为了应对自然图像的变化，这个分类器通常使用翻译和缩放的样本补丁进行训练。这样的样本集充满了冗余——任何重叠的像素都被限制为相同的。基于这个简单的观察，我们提出了一个分析模型的数据集的数千个翻译补丁。通过证明所得到的数据矩阵是循环的，我们可以用离散傅立叶变换对其进行对角化，从而将存储和计算都减少了几个数量级。有趣的是，对于线性回归，我们的公式相当于一些最快的竞争跟踪者使用的相关滤波器。然而，对于核回归，我们推导了一种新的核相关滤波器（KCF），它与其他核算法不同，具有与线性相关滤波器完全相同的复杂性。在此基础上，我们还提出了一种基于线性核的线性相关滤波器的快速多通道扩展，我们称之为双相关滤波器（DCF）。KCF和DCF在50个视频基准测试中都优于诸如strike或tld之类的顶级追踪器，尽管它们以每秒数百帧的速度运行，并且在几行代码中实现（算法1）。为了鼓励进一步的发展，我们的跟踪框架是开源的。