什么是目标追踪（Visual Object Tracking）？

跟踪就是在连续的视频帧中定位某一物体。

• 跟踪VS检测

1.跟踪速度比检测快

当你跟踪在上一帧中检测到的对象时，你会非常了解目标的外观。你也知道在前一帧中的位置和它的运动的方向和速度。因此，在下一帧中，可以使用所有这些信息来预测下一帧中目标的位置，并对对象的预期位置进行小范围搜索，以准确定位目标。因此，在设计高效的系统时，通常在每n帧上运行对象检测，而在其间的n-1帧中采用跟踪算法。

2.当检测失败时跟踪来帮助

3.跟踪保留身份信息

目标检测的输出是包含目标的矩形数组。 但是，没有标识附加到对象。

• 几大难点

外观变形，光照变化，快速运动和运动模糊，背景相似干扰：

平面外旋转，平面内旋转，尺度变化，遮挡和出视野等情况：

• 数据集

• OTB50 & OTB100  (2013)

涉及到灰度图像和彩色图像，均可以免费下载，涉及到目标跟踪的11个属性，包括光照变化、尺度变化、遮挡、形变、运动模糊、快速运动、平面内旋转、平面外旋转、出视野、背景干扰、低像素。

OTB 50数据集

• VOT2013 - VOT2018 (竞赛数据集,Each Year)

每年公开的60个序列，官方会对公开序列的前10名在隐藏数据集上测试，从而选出最终的winner，难度高于OTB。

VOT竞赛数据集

• 评价指标

1、平均重叠期望（EAO）是对每个跟踪器在一个短时图像序列上的非重置重叠的期望值，是VOT评估跟踪算法精度的最重要指标。

2、准确率（Accuracy）是指跟踪器在单个测试序列下的平均重叠率（两矩形框的相交部分面积除以两矩形框的相并部分的面积。（MeanIOU）

3、鲁棒性（Robustness）是指单个测试序列下的跟踪器失败次数，当重叠率为0时即可判定为失败。

具体看一下这张图就能明白：

EAO的含义

---

目标追踪的算法分类（Common Methods）

• 生成(generative)模型方法

生成类方法，在当前帧对目标区域建模，下一帧寻找与模型最相似的区域就是预测位置，比较著名的有卡尔曼滤波，粒子滤波，mean-shift等。举个例子，从当前帧知道了目标区域80%是红色，20%是绿色，然后在下一帧，搜索算法到处去找最符合这个颜色比例的区域。算法效果并不理想，因此现在用的很少。

•判别(discriminative)模型方法

OTB50里面的大部分方法都是这一类，经典套路，图像特征+机器学习。

当前帧以目标区域为正样本，背景区域为负样本，机器学习训练分类器，下一帧用训练好的分类器找最优区域。

与生成类方法最大的区别，是分类器训练过程中用到了背景信息，这样分类器专注区分前景和背景，判别类方法普遍都比生成类好。   经典判别类方法有Struck和TLD（Performace well in long-term task）。 判别类方法的最新发展就是相关滤波类方法，correlation filter简称CF，或discriminative correlation filter简称DCF，和深度学习(Deep ConvNet based)类方法，而DCF+CNN的做法成为最近VOT刷榜的标配。2018年的VOT，基于全卷积孪生网络（SiamNet）的方法大崛起，凭借超越DCF方法的准确度和端到端训练的优势，成为目标追踪新的研究方向。

CF算法示意图

下图是GitHub上发布的2018VOT系统分支结构，上述算法都含在其中了。

北京飞搜科技&北京邮电大学代表队提交的结果（CFWCR）获得VOT 2017竞赛公开的60个评测序列中第二名。方法基于业界流行的相关滤波的框架，使用了单CNN特征的多尺度追踪方案。现有很多追踪器融合了CNN特征和传统的机器学习特征，如hog特征，CN颜色特征等。在他们的实验中，发现CNN的浅层特征具有物体轮廓的信息，高层的深度特征具有物体的语义信息，将CNN的浅层和高层特征进行融合，能使追踪器具有很好的性能。
VOT 2018 内测结果

---

· 相关滤波算法（CF）

Correlation Filter 最早应用于信号处理，用来描述两个信号之间的相关性，或者说相似性，对于两个数据 f 和g，则两个信号的相关性为：

其中 f∗表示 f 的复共轭，这是和卷积的区别（相关性 与 卷积 类似，区别就在于里面的共轭）。

对于图像来讲，问题描述为要找到一个 滤波模版 h，与输入图像 f 求相关性，得到相关图 g。

模板与图形的相关运算

为了加快计算速度，这里引入了傅里叶变换，根据卷积定理（correlation版本）可知，函数互相关的傅里叶变换等于函数傅里叶变换的乘积：

CF的流程图

---

· HCF（CF+CNN，Since 2015）

2015开始，深度学习开始进军跟踪领域，使用深度学习可以更好的提取目标的特征，对目标进行更好的表达。低层特征有较高的分辨率能够对目标进行精准的定位，高层特征包含更多的语义信息，能够处理较大的目标变化和防止跟踪器漂移，能够对目标进行范围定位。但是深度学习的缺点就在于网络的训练和速度，即使如HCF等使用离线的训练速度仍然慢。

深度学习+CF

· SiamFC（Pure CNN）

SiamFC的结构

上面一支可以看做是一个模板。其中z是第一帧所给出的目标框，φ 表示一种特征提取方法，SiamFC提取的是深度特征，经过全卷积网络后得到一个6X6X128的feature map φ(z)。

下面一支x可以看为当前帧的搜索区域，同样提取了深度特征之后得到一个22X22X128的feature map φ(x)。

两支的交汇是一个互相关层，可以看成是φ(z)在φ(x)上滑动搜索，最后得到一个响应图，图上最大值对应的点就是算法认为的目标中心所在位置。

· FlowTrack

《End-to-end Flow Correlation Tracking with Spatial-temporal Attention》（2018CVPR，商汤）

阅读笔记

背景：

①DCF方法很火（KCF、SAMF、LCT、MUSTer、SRDCF、CACF），但是  应用人工设定的特征使得这一类算法精度鲁棒性都较差；

② 受深度学习影响，很多结合CNN的算法（DeepSRDCF、HCF、SiamFC）出现，它们都只应用到当前帧的信息而很少关注帧间存在的互信息,并  且CNN的机制导致了tracker在目标遇到运动模糊或者部分遮挡的时候，  性能只能依靠离线train的特征的质量，鲁棒性很难保证。

③ 尽管一些追踪器用到了光流特征，但是这些模型是离线的，非端到端  的，所以结果是非最理想的。

  本文提出FlowTrack网络，应用到flow information和appearance features，有机结合到端对端的网络中，在VOT2015和VOT2016任务中，EAO属性排名第一，速度为12FPS。

FlowTrack的网络架构

结构是一个基于Siamese的双流训练网络。分为historical branch和current branch. 在historical branch里面，进行Flow的提取和warp操作融合阶段，作者设计了一种spatial-temporal attention的机制。 在current branch，只提取feature. Siamese结构两支出来的feature送进DCF layer, 得到相应输出。 总结来说，他们把Flow提取，warp操作，特征提取和融合，CF tracking都做成了网络的layer，端到端地训练它们。其中需要注意的是，wrap是指的是一种点到点的映射关系，实现flownet出来的光流图到高阶特征的映射。在从t-1到t-n的特征融合阶段，设计了一种spatial-temporal attention的机制。在spatial attention中，是对空间位置上每一个待融合的点分配权重，具体采用余弦距离衡量，结果就是和当前帧越相似分配的权重越大，反之越小；这么做的问题是当前帧的权重永远最大，所以本文借鉴SENet的思想进而设计了temporal attention，即把每一帧看做一个channel，设计一个质量判断网络。

(1)跟踪使用的特征由Feature CNN提取；

Feature CNN：由三个卷积层构成(3x3x128, 3x3x128, 3x3x96)。

特征提取

(2)光流信息由FlowNet提取；

FlowNet：2015年被提出，是用来提取光流场的深度网络，9层卷积。

FlowNet的9层光流提取模型

 (3) Warp操作按特征通道进行：

其中m表示通道，p表示原始图像上点的坐标，δp表示点的光流，q表示特征图上点的坐标，K是双线性插值核。

 (4)Spatial-temporal attention给各通道特征赋予权值；

                           Spatial attention + Temporal attention

                                      空间             +            时间

时空提取attention模块

Spatial 的提取： 计算Spatial attention，并融合特征。其中上标e表示通过Bottleneck结构（降维到特定空间）找到的嵌入层特征，p表示原始Feature map上的点坐标。总的来说，这个部分的物理意义是，对与t-1帧特征不相似的特征赋予低权重，反之，与其相似的赋予高权重。

temporal的加入：Spatial Attention的问题是当前帧的权重永远最大，解决方法引入Temporal 机制，设计一个质量判断网络：从Spatial attention输出来的权重map，输入Temporal attention结构，经过一个类似SE-Net（ImageNet Classification Champion，2017，Momenta）的结构，得到通道重要性权值，可以看作是对Spatial attention的二次调整。

---

实验结果

多策略的对比 VOT 2016 1st VOT 2017 2rd

可以看出提升效果相对于传统的CF还是很明显的，虽然2018年rank不到top 5，但是提供了我们一种新颖的思路，以后可以多多学习一波。