ICCV论文的Matlab实现——用于鲁棒视觉目标跟踪的联合组特征选择和判别滤波器学习__Matlab implementation of ICCV2019 paper _Joint Group Feature Selection and Discriminative Filter Learning for Robust Visual Object Tracking_.zip 随着计算机视觉技术的飞速发展，视觉目标跟踪作为其中的一个重要研究领域，吸引了大量的关注。视觉目标跟踪是指在视频序列中实时地追踪特定物体的位置和运动状态。目标跟踪算法需要对目标进行准确检测，并在连续的视频帧中保持对目标的锁定，即使在物体移动、遮挡或背景变化等复杂情况下也要尽可能地减少跟踪误差。 在诸多的目标跟踪算法中，基于判别滤波器的方法因其良好的实时性和鲁棒性而备受青睐。判别滤波器通常采用特征选择的方法来提取与目标跟踪最相关的特征。然而，选择哪种特征以及如何组合这些特征对于跟踪性能的提升至关重要。 ICCV（国际计算机视觉与模式识别会议）是计算机视觉领域内一个著名的学术会议。ICCV2019上发表的这篇论文提出了一种联合组特征选择和判别滤波器学习的新方法。该方法通过学习区分目标与背景的特征，并将其用于判别滤波器的更新，从而实现更加准确和鲁棒的目标跟踪。该算法不仅提高了跟踪的准确性，同时也提高了对遮挡和快速运动等挑战性场景的适应能力。 Matlab是一种广泛应用于工程计算、数据分析、算法开发和仿真的编程语言和环境。Matlab的高级数学功能、丰富的工具箱和易于使用的可视化环境使其成为计算机视觉算法开发和测试的理想平台。在这篇论文中，研究人员利用Matlab实现了这一创新的视觉目标跟踪算法，并通过Matlab的快速原型开发特性，对算法进行了验证和展示。 为了使更多的研究者和工程师能够理解和复现这一算法，作者将论文中的算法实现了Matlab代码，并通过压缩包的形式发布。压缩包内的文件结构和代码注释的清晰程度对于其他用户学习和使用该算法至关重要。代码中可能包含多个函数和脚本，用于处理不同的跟踪阶段，如目标检测、特征提取、滤波器更新以及结果评估等。 此外，为了验证算法的有效性，作者可能还在压缩包中包含了测试数据集和相应的评估脚本。这些数据集包含了各种具有挑战性的跟踪场景，例如背景复杂、目标运动快速、存在遮挡等。通过在这些数据集上运行算法，研究者和工程师可以准确评估跟踪性能，并与其他算法进行比较。 该论文的Matlab实现不仅促进了该领域的学术交流，也加速了先进算法的工程应用。通过提供可复现的代码，研究人员可以在此基础上进行改进或将其集成到更大规模的应用中。对于视觉目标跟踪这一领域来说，这种开放和共享的精神极大地推动了整个领域的发展和进步。

提出了一种特征权值与尺度自适应的核相关跟踪算法。提取目标搜索区域的方向梯度直方图（HOG）特征和颜色名（CN）特征进行自适应权值融合，通过融合特征的相关滤波响应图的峰值找到目标位置；利用权值较大特征的相关滤波响应图的峰值和峰值旁瓣比的乘积作为尺度评估依据，对目标尺度进行粗略估计和精确估计，从而得到目标的最佳尺度。通过在目标跟踪标准（OTB-2013）数据集上的仿真实验，结果表明相比核相关滤波跟踪算法以及其他5种跟踪算法，所提算法在跟踪精度和成功率方面都有明显提高，跟踪精度为0.799，成功率为0.723，能较好地适应目标尺度的变化。

该数据集主要包含自行车、电动车和摩托车，标签都是yolo格式，是经过本人精心挑选及筛选的。博客上也有很多其它数据集资源，但经本人下载后有很多图片的标签有误，甚至压根就不是人工标注的（估计是拿模型直接检测出来的），这个严重影响模型的精度。 数据集图片总数为12811，标签文件名与图片片名一一对应，但是有的标签文件是多余的，不对应图片，训练的时候直接根据图片读标签即可。 标签格式：（类别 id 归一化后的x,y,w,h），其中id均为-1，因为我用这个数据集训练的跟踪模型，所以会有id信息。如果只想训练检测模型，对标签用代码处理以下即可。

RPnP论文&代码

为提高相关滤波(CF)跟踪算法的稳健性，并克服传统CF方法无法处理目标尺度变化以及未利用图像颜色特征等问题，提出了一种基于融合颜色特征的尺度自适应相关滤波改进跟踪算法。首先，将目标搜索区域从3原色(RGB)颜色空间转换到Lab颜色空间，提取搜索区域的Lab 3通道颜色特征；然后，融合Lab颜色特征与方向梯度直方图(HOG)特征得到多通道特征，利用核相关滤波(KCF)计算输出响应图并寻找图中最大响应位置即目标位置；最后，基于Lab颜色特征建立尺度模型，从当前帧的目标位置处截取不同尺度图像块，通过将其与尺度模型比较得到目标尺度最优估计。实验选取35段公开彩色视频序列进行测试，并将所提算法与其他5种跟踪性能较好的跟踪方法进行对比。实验结果表明，所提方法对彩色视频序列中的目标遮挡、变形、尺度变化等现象具有良好的适应性，其平均性能优于对比方法，同时具有76 frame·s-1的实时跟踪速度。

Deep Learning for Visual Tracking A Comprehensive Survey.pdf

为了提高复杂环境下的目标跟踪精度，提出了一种基于序贯检测机制的双目视觉运动目标跟踪方法．该方法在序贯检测机制下，将粒子滤波、稀疏场主动轮廓和 CamShift 等方法结合．首先用基于颜色特征的粒子滤波，估计最优跟踪窗口；通过跟踪窗口和目标的相似度决定是否采用稀疏场主动轮廓方法，然后由目标轮廓和目标的相似度决定是否需要 CamShift 对轮廓进行修正；最后结合双目视觉的视差信息和标定模型对目标进行定位，引入视差置信区间判据可有效减少噪声影响，提高运动目标定位精度．实验表明本文所提的基于序贯检测机制的目标跟踪方法在摄像机运动－目标运动模式下，在目标有尺度、旋转、视角变化和环境有光照变化等情况下，能对运动目标进行有效地跟踪与定位，并且具有比较好的跟踪和定位精度

使用自适应相关滤波器的视觉目标跟踪

深度学习理论在计算机视觉中的应用日趋广泛，在目标分类、检测领域取得了令人瞩目的成果，但是深度学习理论在目标跟踪领域的早期应用中，由于存在跟踪时只有目标为正样本，缺乏数据支持，对位置信息依赖程度高等问题，因而应用效果并不理想，传统方法仍占据主流地位.近年来，随着技术的不断发展，深度学习在目标跟踪方向取得了长足的进步.本文首先介绍了目标跟踪技术的基本概念和主要方法，然后针对深度学习在目标跟踪领域的发展现状，从基于深度特征的目标跟踪和基于深度网络的目标跟踪两方面重点阐述了深度学习在该领域的应用方法，并对近期较为流行的基于孪生网络的目标跟踪进行了详细介绍.最后对近年来深度学习在目标跟踪领域取得的成果，以及未来的发展方向作了总结和展望.

提出了一种基于深度学习的红外与可见光决策级融合跟踪方法。通过建立参数传递模型，从现有基于深度学习的检测模型中抽取指定对象的可见光检测模型，作为红外检测的预训练模型，在采集的红外图像数据集上进行微调训练，得到基于深度学习的红外检测模型。在此基础上，建立了基于深度学习的红外与可见光决策级融合跟踪模型，进行了单波段跟踪与双波段融合跟踪对比实验。结果表明，所提方法跟踪精度和成功率比单波段跟踪均有所提升，具有较好的稳健性。