[논문 리뷰] A Review of Visual Trackers and Analysis of its Application to Mobile Robot

Shaoze You, Hua Zhu외 2명|arXiv (Cornell University)|2019. 10. 22.

Video Surveillance and Tracking Methods참고 문헌 161인용 수 8

한 줄 요약

이 논문은 모바일 로봇을 위한 시각 추적기의 종합적인 리뷰를 제시하며, 생성적 및 판별적 방법, 상관 필터, 딥 러닝, 컨volutional 특징을 분석한다. 최신 추적기의 성능을 평가하고 모바일 로봇 응용 분야에서의 강력한 시각 추적을 위한 향후 연구 방향을 제시한다.

ABSTRACT

Computer vision has received a significant attention in recent year, which is one of the important parts for robots to obtain information about the external environment. Visual trackers can provide the necessary physical and environmental parameters for the mobile robot, and their performance is related to the actual application of the robot. This study provides a comprehensive survey on visual trackers. Following a brief introduction, we first analyzed the basic framework and difficulties of visual trackers. Then the structure of generative and discriminative methods is introduced, and summarized the feature descriptors, modeling methods, and learning methods which be used in tracker. Later we reviewed and evaluated the state-of-the-art progress on discriminative trackers from three directions: correlation filter, deep learning and convolutional features. Finally, we analyzed the research direction of visual tracker used in mobile robot, as well as outlined the future trends for visual tracker on mobile robot.

연구 동기 및 목표

• 모바일 로봇에 적용 가능한 시각 추적 기법에 대한 체계적인 리뷰를 제공하기 위해.
• 실시간 로봇 응용 분야에서의 시각 추적의 기본 프레임워크와 과제를 분석하기 위해.
• 상관 필터, 딥 러닝, 컨volutional 특징 기반 판별적 추적기의 성능을 평가하기 위해.
• 시각 추적의 연구 격차와 향후 방향을 모바일 로봇 인식 시스템에서 규명하기 위해.

제안 방법

• 학습 및 모델링 전략에 따라 시각 추적기를 생성적 및 판별적 방법으로 분류한다.
• 추적 프레임워크에서 사용되는 특징 기술자인 HOG, 색상 히스토그램, 딥 특징 등을 검토한다.
• 상관 필터(예: CSK, KCF) 및 온라인 적응 기반 판별적 학습 방법을 포함한 모델링 기법을 분석한다.
• 더 높은 강건성을 확보하기 위해 시アン에이즈 네트워크와 영역 제안 네트워크를 활용한 딥 러닝 기반 추적기를 검토한다.
• 정확도, 속도, 음영 및 운동에 대한 강건성 측면에서 벤치마크 데이터셋을 기반으로 추적기 성능을 비교한다.
• 모바일 로봇 구현 조건에 맞는 시각 추적기 선택을 위한 체계적인 평가 프레임워크를 제안한다.

실험 결과

연구 질문

• RQ1 생성적 및 판별적 시각 추적기 간의 핵심 아키텍처 및 방법론적 차이는 무엇인가?
• RQ2 상관 필터, 딥 러닝, 컨volutional 특징은 정확도 및 추론 속도 측면에서 어떻게 비교될 수 있는가?
• RQ3 실제 환경 조건에서 모바일 로봇에 시각 추적기를 구현할 때의 주요 과제는 무엇인가?
• RQ4 모바일 로봇 주행 및 환경 인식에 가장 적합한 시각 추적 기법은 무엇인가?
• RQ5 모바일 로봇 분야에서의 시각 추적 기술의 신규 추세 및 향후 연구 방향은 무엇인가?

주요 결과

• 특히 상관 필터 기반 판별적 추적기는 실시간 모바일 로봇 응용 분야에서 속도와 정확도 사이의 균형을 잘 유지한다.
• 딥 러닝 기반 추적기는 복잡한 시퀀스에서 더 높은 정확도를 달성하지만 더 많은 계산 자원이 필요하다.
• 딥 특징와 상관 필터를 조합한 하이브리드 접근 방식은 음영 및 운동 왜곡에 대해 향상된 강건성을 보인다.
• HOG 및 딥 특징과 같은 특징 기술자는 조명 변화 및 시점 변화 상황에서 추적 성능을 크게 향상시킨다.
• 온라인 학습 메커니즘의 통합은 동적인 환경에 대한 추적기의 적응 능력을 향상시킨다.
• 향후 모바일 로봇을 위한 시각 추적은 경량 모델, 실시간 추론, 환경적 요동에 대한 강건성에 초점을 맞춰야 한다.