[论文解读] An Experimental Survey on Correlation Filter-based Tracking

Zhe Chen, Zhibin Hong+1 more|arXiv (Cornell University)|Sep 18, 2015

Video Surveillance and Tracking Methods参考文献 63被引用 100

一句话总结

本文对相关滤波跟踪器（CFTs）进行了全面的实验调查，在基准数据集上评估了11种最先进方法。研究识别出MUSTER、SAMF和RPT为表现最佳的模型，表明整合长期跟踪、基于部分的策略以及鲁棒特征学习可显著提升准确性和鲁棒性，同时保持高速性能。

ABSTRACT

Over these years, Correlation Filter-based Trackers (CFTs) have aroused increasing interests in the field of visual object tracking, and have achieved extremely compelling results in different competitions and benchmarks. In this paper, our goal is to review the developments of CFTs with extensive experimental results. 11 trackers are surveyed in our work, based on which a general framework is summarized. Furthermore, we investigate different training schemes for correlation filters, and also discuss various effective improvements that have been made recently. Comprehensive experiments have been conducted to evaluate the effectiveness and efficiency of the surveyed CFTs, and comparisons have been made with other competing trackers. The experimental results have shown that state-of-art performance, in terms of robustness, speed and accuracy, can be achieved by several recent CFTs, such as MUSTer and SAMF. We find that further improvements for correlation filter-based tracking can be made on estimating scales, applying part-based tracking strategy and cooperating with long-term tracking methods.

研究动机与目标

• 提供对相关滤波跟踪（CFT）方法的系统性综述与对比评估。
• 基于所调研的算法，建立CFTs的一般性框架。
• 研究训练方案、特征表示、尺度估计、基于部分的跟踪以及长期跟踪集成。
• 在大规模基准数据集上评估性能，并与竞争性跟踪器进行比较。
• 识别未来提升CFT鲁棒性与效率的关键方向。

提出的方法

• 作者实现了10种CFTs，其中8种来自公开源代码，2种以简化版本实现。
• 在OOTB-100基准上采用统一的实验框架，确保在OPE（单次遍历评估）下的统一评估。
• 核心技术包括核化相关滤波、多通道HOG与颜色特征、尺度金字塔，以及基于自适应相关滤波的部分跟踪。
• 在MUSTER和LCT中集成长期跟踪组件，采用在线重新检测与记忆机制。
• 使用中心位置误差（CLE）、重叠分数（OS）和处理速度等统计指标进行定量比较。
• 在20个多样化视频序列上进行定性分析，以评估在复杂条件下的鲁棒性。

实验结果

研究问题

• RQ1 不同的训练方案和特征表示如何影响相关滤波跟踪器的性能？
• RQ2 尺度估计策略与基于部分的跟踪在多大程度上提升了CFTs的鲁棒性？
• RQ3 集成长期跟踪组件在长期跟踪场景中如何提升性能？
• RQ4 在最先进CFTs中，速度、准确性和鲁棒性之间的权衡关系如何？
• RQ5 哪些架构与算法改进带来了最显著的跟踪性能提升？

主要发现

• MUSTER取得了最高的重叠分数，是最具鲁棒性的跟踪器，能够在失败后成功重新捕获目标，例如在MotorRolling序列中表现优异。
• SAMF和RPT表现出高精度，其中SAMF凭借其缩放池机制在处理尺度变化方面尤为出色。
• DSST和KCF在尺度适应方面存在局限，KCF因固定窗口尺寸在CarScale序列中失败。
• MEEM在漂移后表现出强大的重新捕获能力，但在光照变化下表现不佳，如Singer1序列所示。
• RPT在Bolt序列中未能正确初始化，表明其对初始化敏感，且在低质量视频条件下可能存在不稳定性。
• 如MUSTER所示，集成长期跟踪组件显著提升了对遮挡和长期漂移的鲁棒性。