[论文解读] Tracking Noisy Targets: A Review of Recent Object Tracking Approaches

Mustansar Fiaz, Arif Mahmood+1 more|arXiv (Cornell University)|Feb 9, 2018

Video Surveillance and Tracking Methods参考文献 7被引用 35

一句话总结

本文综述了近期的视觉目标跟踪方法，将它们分类为基于相关滤波和非相关滤波的跟踪器，并在OTB2015基准上评估了其在加性白高斯噪声下的鲁棒性。主要贡献在于表明噪声会显著降低跟踪器性能，且在不同噪声水平下性能排名发生改变，强调了在未来跟踪算法开发中应将噪声鲁棒性作为标准评估指标。

ABSTRACT

Visual object tracking is an important computer vision problem with numerous real-world applications including human-computer interaction, autonomous vehicles, robotics, motion-based recognition, video indexing, surveillance and security. In this paper, we aim to extensively review the latest trends and advances in the tracking algorithms and evaluate the robustness of trackers in the presence of noise. The first part of this work comprises a comprehensive survey of recently proposed tracking algorithms. We broadly categorize trackers into correlation filter based trackers and the others as non-correlation filter trackers. Each category is further classified into various types of trackers based on the architecture of the tracking mechanism. In the second part of this work, we experimentally evaluate tracking algorithms for robustness in the presence of additive white Gaussian noise. Multiple levels of additive noise are added to the Object Tracking Benchmark (OTB) 2015, and the precision and success rates of the tracking algorithms are evaluated. Some algorithms suffered more performance degradation than others, which brings to light a previously unexplored aspect of the tracking algorithms. The relative rank of the algorithms based on their performance on benchmark datasets may change in the presence of noise. Our study concludes that no single tracker is able to achieve the same efficiency in the presence of noise as under noise-free conditions; thus, there is a need to include a parameter for robustness to noise when evaluating newly proposed tracking algorithms.

研究动机与目标

• 提供对近期视觉目标跟踪算法的全面综述，重点关注基于相关滤波和非相关滤波的方法。
• 评估最先进跟踪器在不同加性白高斯噪声水平下的鲁棒性。
• 识别跟踪器在暴露于合成噪声时的性能退化模式，揭示噪声敏感性会影响标准基准上的相对排名。
• 倡导在未来跟踪算法开发中将噪声鲁棒性作为关键评估标准。
• 为研究人员和实践者在涉及视觉噪声的实际应用中选择合适的跟踪器提供指导。

提出的方法

• 根据其底层架构，将近期跟踪算法分类为基于相关滤波和非相关滤波的跟踪器。
• 对OTB2015基准数据集施加具有递增方差（0.00 至 0.09）的合成加性白高斯噪声。
• 使用标准指标（精度和成功率）在不同噪声水平下评估跟踪器性能。
• 通过比较无噪声和有噪声条件下跟踪器的相对性能排名，评估其鲁棒性。
• 采用标准化评估协议，以确保不同跟踪器之间结果的一致性和可复现性。
• 分析不同跟踪器类型和噪声水平下的性能退化趋势，以识别其脆弱性。

实验结果

研究问题

• RQ1 基于相关滤波和非相关滤波的跟踪器在加性白高斯噪声下的鲁棒性方面有何差异？
• RQ2 当引入噪声时，如OTB2015等标准基准上跟踪器的相对排名是否保持一致？
• RQ3 在噪声水平不断提高时，哪些跟踪器类型表现出最高的性能退化？
• RQ4 噪声在多大程度上影响视觉目标跟踪任务中的精度和成功率？
• RQ5 当前的标准评估协议是否考虑了噪声鲁棒性？

主要发现

• 多个跟踪器（包括ECO和CSRDCF）在高噪声水平下表现出显著的性能下降，例如在光照变化场景下，精度从无噪声时的88.8%下降至方差为0.09时的64.9%。
• 如ECT和CNT等跟踪器表现出极端敏感性，高噪声下精度低于5%，表明在噪声环境中近乎完全失效。
• 随着噪声水平增加，跟踪器的相对排名发生显著变化，表明在干净基准上的表现无法可靠预测其在噪声环境中的鲁棒性。
• SRDCFdecon和CF2表现出显著退化，高噪声下成功率从超过80%下降至50%以下，凸显了某些相关滤波变体的脆弱性。
• 即使是最先进的跟踪器（如ECO和CSRDCF）在中等噪声（方差0.05）下精度也下降超过10%，表明噪声鲁棒性并非领先方法的固有特性。
• 本研究结论为：没有任何跟踪器在有噪声条件下能保持与无噪声条件下的同等效率，强调了将噪声鲁棒性作为正式评估标准的必要性。