[论文解读] A Review of Visual Trackers and Analysis of its Application to Mobile Robot

Shaoze You, Hua Zhu+2 more|arXiv (Cornell University)|Oct 22, 2019

Video Surveillance and Tracking Methods参考文献 161被引用 8

一句话总结

本文对移动机器人用视觉跟踪器进行了全面综述，分析了生成式与判别式方法、相关滤波器、深度学习以及卷积特征。评估了最先进跟踪器的性能，并提出了移动机器人应用中鲁棒视觉跟踪的未来研究方向。

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.

研究动机与目标

• 为适用于移动机器人的视觉跟踪技术提供系统性综述。
• 分析实时机器人应用中视觉跟踪的基本框架与挑战。
• 评估基于相关滤波器、深度学习和卷积特征的判别式跟踪器的性能。
• 识别视觉跟踪在移动机器人感知系统中的研究空白与未来方向。

提出的方法

• 根据其学习与建模策略，将视觉跟踪器分类为生成式与判别式方法。
• 回顾了HOG、颜色直方图和深度特征等特征描述符在跟踪框架中的应用。
• 分析了相关滤波器（如CSK、KCF）和具有在线自适应能力的判别式学习方法等建模技术。
• 研究了基于深度学习的跟踪器，采用孪生网络和区域提议网络以提升鲁棒性。
• 在基准数据集上比较了跟踪器在精度、速度以及对遮挡和运动的鲁棒性方面的性能表现。
• 提出了一套结构化评估框架，以根据移动机器人部署约束选择合适的视觉跟踪器。

实验结果

研究问题

• RQ1 生成式与判别式视觉跟踪器在核心架构与方法论上存在哪些关键差异？
• RQ2 在跟踪精度与推理速度方面，相关滤波器、深度学习与卷积特征的表现如何比较？
• RQ3 在真实环境下部署视觉跟踪器时，面临的主要挑战是什么？
• RQ4 哪些视觉跟踪技术最适合移动机器人的导航与环境感知？
• RQ5 移动机器人中视觉跟踪的新兴趋势与未来研究方向是什么？

主要发现

• 判别式跟踪器，特别是基于相关滤波器的跟踪器，在实时移动机器人应用中实现了速度与精度的良好平衡。
• 基于深度学习的跟踪器在复杂序列中表现出更高的精度，但需要更多的计算资源。
• 结合深度特征与相关滤波器的混合方法在遮挡和运动模糊情况下表现出更强的鲁棒性。
• HOG和深度特征等特征描述符在光照变化和视角变化下显著提升了跟踪性能。
• 在线学习机制的集成提高了跟踪器对动态环境的适应能力。
• 未来移动机器人的视觉跟踪应聚焦于轻量化模型、实时推理以及对环境干扰的鲁棒性。