1.

Introducción a Visual Tracking

Seguimiento visual es un campo que evoluciona tan rápidamente de la visión por
ordenador que ha atraído cada vez más atención en la visión de la comunidad. Una razón
es que un seguimiento visual ofrece muchos desafíos como un problema científico.
Además, es una parte de muchos problemas de alto nivel de visión informática, tales
como el análisis de movimiento, detección de eventos, y entendimiento de la actividad. En
este capítulo, damos una introducción detallada a un seguimiento visual que incluye
componentes básicos de algoritmos de seguimiento, las dificultades en el seguimiento, los
conjuntos de datos utilizados para evaluar los rastreadores y evaluación métrica.

1.1 Componentes básicos de algoritmos de seguimiento visual

Avances considerables en materia de seguimiento de objetos han sido realizados en los
últimos decenios. Algoritmos de seguimiento en línea suelen incluir tres componentes
fundamentales, a saber, la representación scheme, mecanismo de búsqueda y
actualización del modelo.
Esquema de representación: Representation Scheme representación de objeto es
uno de los principales componentes de cualquier algoritmo de seguimiento visual. Desde
los primeros trabajos de Lucas y Kanade (LK) [27], holística de plantillas (basado en los
valores de la intensidad bruta) han sido ampliamente utilizados para el seguimiento [1,
28]. Sin embargo, cuando las propiedades visuales de un objeto destino cambian
significativamente, el LK enfoques no funcionan bien. Matthews et al. [28] Desarrolló un
método de actualización de plantilla mediante la explotación de la información del primer
fotograma para corregir las derivas. Seguimiento basado en Subspace enfoques han sido
propuestos para efectivamente cuenta para cambios de apariencia. En [13], Hager y
Belhumeur propuso un eficiente algoritmo LK y utilizados bajo representaciones
tridimensionales para rastrear bajo diferentes condiciones de iluminación. Para mejorar el
seguimiento de robustez, Negro y Jepson [6] se propone un algoritmo usando un pre-
formados eigenbasis basado en vista representación y adoptado una sólida norma de
error.
Recientemente, muchos métodos de seguimiento basadas en representaciones
dispersas se han propuesto. Por ejemplo, Mei Ling [29, 30] utiliza un diccionario de
intensidad integral compuesto de plantillas y plantillas de destino trivial. Escasa
colaboración local representaciones y representaciones para el seguimiento de objetos
también se han introducido para tratar la oclusión. Para mejorar el seguimiento de
robustez, un modelo de apariencia disperso local fue propuesto en [26] con la media de
cambio (MS) algoritmo para localizar los objetos. Asumiendo la representación de
partículas como conjuntamente disperso, Zhang et al. [45] Formuló el seguimiento de
objetos como un multi-tarea sparse problema de aprendizaje. Zhong et al. [46] Propuso un
seguimiento colaborativo que combina un algoritmo basado en dispersión discriminativa y
clasificador basado en un modelo de dispersión generativa. En [18], escasos códigos de
imagen local parches con disposición espacial en un objeto se usa para modelar la
apariencia de objetos para su seguimiento. Para lidiar con los valores atípicos en el
seguimiento de objetos, Wang et al. [41] Propone un umbral suave menos plazas
algoritmo modelado por el ruido de la imagen con el método de Gauss laplaciano
distribución distinta de la trivial plantillas utilizadas en [29].
Un número de métodos de seguimiento basado en histogramas de color se han
desarrollado. Comaniciu et al. [9] Aplica el algoritmo de cambio promedio para el
seguimiento de objetos sobre la base del color de los histogramas. Collins [7] amplió el
cambio promedio algoritmo de seguimiento para hacer frente a la variación de escala de
objetos de destino. Birchfield y Rangarajan [5] El spatiogram propuesto para capturar las
propiedades estadísticas de píxeles y sus relaciones espaciales en lugar de depender de
pixel-wise estadísticas. Una localidad histograma sensibles [15] fue desarrollado teniendo
en cuenta la contribución de las regiones locales en cada píxel para describir claramente
la apariencia visual para el seguimiento de objetos. Los histogramas de gradientes
orientados han sido adoptados para el seguimiento [38] para explotar direccional local de
tecnologías de la información. Representaciones basadas en descriptores de región de
covarianza [39] fueron introducidas para el seguimiento de objetos para fusionar
diferentes tipos de características. En la covarianza descriptores, las propiedades
espaciales y estadísticos, así como sus correlaciones se caracterizan dentro de la misma
representación. Además, los patrones binarios (LBP) [31] y Haar-como características [40]
han sido utilizadas para modelar el aspecto de objetos para el seguimiento [4, 11].
Recientemente, se han desarrollado modelos discriminativos en el campo de
seguimiento visual. En estos modelos, un clasificador binario es aprendido en línea para
separar el objetivo del fondo. Se han aprobado numerosos clasificadores para un
seguimiento visual, y éstos incluyen Support Vector Machine (SVM), salida estructurada
SVM, ranking SVM, impulsando, semi-impulsar y potenciar la instancia multi-online. Para
manejar los cambios de apariencia, Avidan [2] un clasificador SVM capacitado integrado
en un marco de flujo óptico para el seguimiento. En [8], la característica más
discriminativa combinación fue aprendido online para crear un mapa de confianza en cada
fotograma y, por lo tanto, separar un objeto de destino del fondo. En [3], un conjunto de
clasificadores débiles online aprendió fue usado para determinar si un píxel pertenece a la
región de destino o procedencia. Grabner et al. [11] Propone impulsar una línea método
para seleccionar características discriminatorias para la separación de un objeto en primer
plano y el fondo. Para equilibrar el seguimiento adaptivity y derrapes, Stalder et al. [36]
Combinó varios supervisadas y semi-clasificadores supervisados para su seguimiento.
Aprendizaje de múltiples instancias (MIL) también ha sido aplicado al seguimiento [4]; es
decir, todas ambiguas muestras positivas y negativas se colocan en bolsas para aprender
un modelo discriminativo. Hare et al. [14] Diseñó un algoritmo basado en un seguimiento
estructurado kernelized SVM, que aprovecha las dificultades de predecir los resultados.
Varios enfoques basados en sistemas de representación múltiple también han sido
desarrollados para atender de manera eficaz la aparición de variaciones. Stenger et al.
[37] Fusiona varios modelos de observación en línea en paralelo o en forma de cascada.
Recientemente, Kwon y Lee [23] desarrolló un algoritmo de descomposición de
seguimiento de objetos que utiliza varios modelos de observación y movimiento para dar
cuenta de apariencia relativamente grandes variaciones causadas por los drásticos
cambios de luz y de movimiento rápido. Este enfoque se ha ampliado para buscar
seguidores apropiados por la cadena de Markov Monte Carlo el muestreo [24].
Mecanismo de búsqueda: métodos de búsqueda estocásticos y deterministas se han
desarrollado para estimar estados de objeto. Cuando se plantea un problema de
seguimiento dentro de un marco de optimización con una función objetivo diferenciable
con respecto a parámetros de movimiento, descenso de gradiente métodos pueden
utilizarse para localizar objetivos eficientemente. En [3], la expansión de Taylor de primer
orden se utiliza para alinear las funciones de costos no lineales, y el movimiento de los
parámetros fueron estimados de forma iterativa. Además, se utilizó la estimación de
cambio promedio para los destinos de búsqueda localmente utilizando el coeficiente
Bhattacharyya como la similitud métrica para el kernel-regularizado histogramas de color
[8]. En [16], Sevilla Lara y aprendido Miller proponen un algoritmo de seguimiento basada
en la distribución campos; este algoritmo permite suavizar las funciones objetivas sin
borrosidad Imágenes y busca los destinos buscando el mínimo local sobre la base de un
grueso-fino de estrategia.
 Sin embargo, funciones objetivas para el seguimiento de objetos son usualmente lineal
con muchos mínimos locales. Densas se han adoptado métodos de muestreo [4, 11 14]
para aliviar este problema, a expensas de una alta carga computacional. Entretanto,
algoritmos de búsqueda estocásticos tales como filtros de partículas [32] han sido
ampliamente utilizados porque son relativamente insensibles a los mínimos locales y son
computacionalmente eficiente. Los últimos métodos basados en los filtros de partículas se
han desarrollado utilizando modelos de observación efectiva [18, 29 33] con éxito
demostrado.
Actualización: El modelo de la actualización online de representaciones de destino
para tener en cuenta variaciones de apariencia ha sido llamado a desempeñar un
importante papel en el seguimiento de los objetos sólidos. Matthews et al. [28] Abordó el
problema de actualización de plantilla de la LC algoritmo por actualizar las plantillas
mediante la combinación de una plantilla de referencia fijo extraído desde el primer
fotograma y el resultado de la más reciente del bastidor. Actualización eficaces algoritmos
han sido también propuesto en la forma de modelos de mezcla en línea [17], impulsando
en línea [11] y [33] actualización subspace incremental.
Se ha prestado considerable atención a la toma de muestras que sean eficaces en la
formación online en modelos de clasificadores discriminativo. Grabner et al. [12] Formuló
el problema como una actualización semi-supervisado en la tarea que el clasificador se
actualiza con datos etiquetados y sin etiquetar; esa tarea es supervisada en contraste con
seguimiento de objetos discriminativo. Para manejar de forma ambigua etiqueta positivo y
negativo de las muestras obtenidas en línea, Babenko et al. [4] Se centró en el problema
del rastreo dentro del marco de aprendizaje de múltiples instancias y desarrolló un
algoritmo online. Para aprovechar la estructura subyacente de los datos no etiquetados,
Kalal et al. [19] Desarrolló un algoritmo de seguimiento dentro del marco de aprendizaje
semi-supervisado para seleccionar muestras positivas y negativas para el modelo de
actualización. En [14], un algoritmo de rastreo que directamente predice cambios en la
ubicación de destino entre marcos sobre la base de un aprendizaje estructurado fue
propuesto. Yu et al. [44] Presenta un método de seguimiento que se basa en la co-
formación para combinar generativa y modelos discriminativo. Pese a los considerables
progresos realizados, claramente ha sido el desarrollo de un modelo de apariencia
adaptable sin deriva sigue siendo difícil.

1.2 Desafíos en un seguimiento visual

Muchas dificultades de seguimiento visual de la peste, y éstos incluyen oclusión, variación
de escala, deformación, movimiento rápido desenfoque de fondo, el desorden, la rotación
en el plano, fuera del plano de rotación, variación de iluminación, fuera de la vista, y baja
resolución. Las descripciones de estos desafíos se muestran en la tabla 1.1, y algunos
ejemplos visuales se ilustra en la Fig. 1.1.