STC目标跟踪.pptxVIP

Fast Tracking via Spatio-Temporal Context Learning 概述 时间信息：邻近帧间目标变化不会很大，位置也不会发生突变。 空间信息：目标和目标周围的背景存在某种特定的关系，当目标的外观发生很大变化时，这种关系可以帮助区分目标和背景。 概述 概述 基于目标与它局部区域内背景的空间关系建立一个空间上下文模型 利用空间上下文模型对下一帧的时空上下文模型进行更新 结合时空上下文信息，对图像进行卷积操作，获得置信图，并求得它的最大似然概率位置作为最佳目标位置 上下文特征集 基于贝叶斯跟踪框架 X表示目标位置，o表示目标在图中 是目标和周围上下文信息的空间关系模型 是上下文先验概率模型（即部区域内每个点z为目标的概率） 空间上下文模型 hsc(x-z)是一个关于目标x和局部上下文位置z的相对距离和方向的函数，它编码了目标和它的空间上下文的空间关系。 这个模型是通过在线学习得到的，随着跟踪的进行不断更新。 上下文先验概率模型 这个加权函数是由生物视觉系统的focus of attention 启发得到的，它表示人看东西的时候，会聚焦在一个确定的图像区域。 置信图 这个公式的参数β是很重要的，太大太小效果可能差之千里， β取1时效果最好。 在线学习的空间上下文模型 表示卷积运算，只要我们获得了置信图以及上下文先验概率模型，我们就在线学习获得空间上下文先验模型 在线学习的空间上下文模型 通过快速傅立叶变换，将上述公式转换到频率域进行运算： 时空上下文模型 通过上述计算得到的空间上下文模型来构建更新时空上下文模型： 是第t帧已得到的时空上下文模型（其中加权累加了第1帧到第t-1帧的所有“空间上下文模型”） 目标跟踪 得到时空上下文模型后，我们可以在新的一帧计算目标的置信图： 通过求得t+1帧时置信图的最大似然概率得到目标的坐标： 尺度更新  多尺度可以通过调整方差 来实现，每隔5帧计算一次 算法流程 总结 对遮挡、姿态变化和相似目标干扰具有良好鲁棒性 计算速度非常快，I7环境下每秒350帧 Thank you!