[论文解读] Learning Support Correlation Filters for Visual Tracking

Wangmeng Zuo, Xiaohe Wu+3 more|arXiv (Cornell University)|Jan 22, 2016

Video Surveillance and Tracking Methods参考文献 41被引用 26

一句话总结

本文提出支持相关滤波器（SCFs），一种基于SVM的高效视觉追踪方法，通过利用密集采样图像块的循环矩阵结构与离散傅里叶变换，实现实时性能。通过将SVM学习重新表述为迭代相关滤波优化，该方法将计算复杂度从O(n⁴)降低至O(n² log n)，从而在多通道、核化及尺度自适应扩展下，实现快速、精确的追踪，并在基准数据集上取得最先进性能。

ABSTRACT

Sampling and budgeting training examples are two essential factors in tracking algorithms based on support vector machines (SVMs) as a trade-off between accuracy and efficiency. Recently, the circulant matrix formed by dense sampling of translated image patches has been utilized in correlation filters for fast tracking. In this paper, we derive an equivalent formulation of a SVM model with circulant matrix expression and present an efficient alternating optimization method for visual tracking. We incorporate the discrete Fourier transform with the proposed alternating optimization process, and pose the tracking problem as an iterative learning of support correlation filters (SCFs) which find the global optimal solution with real-time performance. For a given circulant data matrix with n^2 samples of size n*n, the computational complexity of the proposed algorithm is O(n^2*logn) whereas that of the standard SVM-based approaches is at least O(n^4). In addition, we extend the SCF-based tracking algorithm with multi-channel features, kernel functions, and scale-adaptive approaches to further improve the tracking performance. Experimental results on a large benchmark dataset show that the proposed SCF-based algorithms perform favorably against the state-of-the-art tracking methods in terms of accuracy and speed.

研究动机与目标

• 为解决基于SVM的视觉追踪中准确率与效率之间的权衡问题，利用循环矩阵结构。
• 通过使用相关滤波器与傅里叶变换重新表述学习问题，实现在基于SVM的追踪中的实时性能。
• 开发一种高效的交替优化算法，实现全局收敛且计算成本低。
• 将SCF框架扩展至多通道、核化及尺度自适应设置，以提升鲁棒性与追踪准确率。

提出的方法

• 将具有循环数据矩阵的SVM学习问题重新表述为等价的支持相关滤波器（SCF）优化问题。
• 引入一种交替优化方案，通过非扩张算子迭代更新滤波器权重与松弛变量。
• 利用离散傅里叶变换（DFT）加速计算，以利用训练数据矩阵的循环结构。
• 推导收敛性证明，表明在所提出的迭代更新规则下可实现全局收敛至最优解。
• 引入固定点迭代框架并结合谱半径分析，确保q线性收敛。
• 将SCF框架扩展至多通道SCF（MSCF）、核化SCF（KSCF）及尺度自适应KSCF（SKSCF），以提升性能。

实验结果

研究问题

• RQ1 能否利用密集采样图像块的循环结构来加速基于SVM的视觉追踪？
• RQ2 是否可能在具有实时计算复杂度的前提下，实现基于SVM追踪的全局最优？
• RQ3 所提出的SCF框架在准确率与速度方面相较于现有基于回归的相关滤波器与SVM追踪器表现如何？
• RQ4 SCF框架能否有效扩展至多通道、核化及尺度自适应设置以实现鲁棒追踪？
• RQ5 所提出的交替优化算法的收敛行为与收敛速率如何？

主要发现

• 所提出的SCF算法实现O(n² log n)的计算复杂度，显著低于标准SVM方法的O(n⁴)复杂度。
• 通过非扩张算子的固定点收敛分析，证明该算法可全局收敛至最优解。
• KSCF变体在大型基准数据集上的准确率与速度方面，均优于最先进基于回归的相关滤波追踪器。
• SKSCF扩展在涉及尺度变化的挑战性序列中表现更优，证明了尺度自适应机制的有效性。
• 理论上建立了q线性收敛速率，收敛因子受变换矩阵T的谱半径有界。
• 实验结果表明，所提出的KSCF与SKSCF方法在追踪准确率与鲁棒性方面均超越现有SVM基及集成追踪方法。