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.