1.引入
近年来，判别相关滤波器（DCF）由于其高计算效率而在视觉跟踪领域做出了巨大贡献。 它利用循环矩阵的性质在频域而不是空间域中进行其他复杂的计算，从而提高了计算速度。 不幸的是，利用此属性会创建人造样本，从而导致不良边界效应，从而严重降低跟踪性能。
在检测过程中，传统的DCF框架会生成一个响应图，并且该对象被认为位于其值最大的位置。 隐藏在响应图中的信息至关重要，因为其质量在一定程度上反映了先前帧中学习的对象外观模型与当前帧中检测到的实际对象之间的相似性。 在遮挡，计划中和计划外的旋转以及其他许多具有挑战性的场景中，到处都有异常。 但是，传统的DCF框架无法利用此信息，并且当发生异常时，无法采取进一步的措施，被跟踪的对象只会丢失。
在无人机目标跟踪中，这两个问题尤为关键。 快速运动或低分辨率的情况相对较多，因此缺少搜索区域会轻易导致物体漂移或丢失。 对象还会经历更多的平面外旋转，因此在空中跟踪场景中更容易发生异常。 此外，由于计算能力有限，因此特别需要能够应对这两个问题并高效执行的跟踪器
1.1主要贡献
提出了一种在解决边界效应的同时能够有效抑制畸变的新型跟踪方法。 背景补丁被馈送到学习和检测过程中，以充当负面训练样本并扩大搜索范围。 添加了限制响应图变化率的正则化项，从而可以避免响应图的突然更改
所提出的ARCF跟踪器已在由无人机捕获的243个具有挑战性的图像序列上进行了详尽的测试。 在广泛的实验中，将基于手工制作的跟踪器（即定向梯度的直方图（HOG）和颜色名称（CN））和深度跟踪器与提出的ARCF跟踪器进行了比较。 全面的评估表明，ARCF跟踪器的性能优于其他20个最新的跟踪器
据我们所知，这是DCF框架中首次应用畸变抑制公式。 它可以提高基于DCF的跟踪器的鲁棒性，并提高其在无人机跟踪任务中的性能
2相关工作
图2.建议的ARCF跟踪器的主要工作流程。 它学习对象的正样本（绿色样本）和从背景提取的负样本（红色样本），并且在学习过程中集成了响应图限制，因此可以抑制响应图中的异常。 [ψp，q]用于移动生成的响应图，以使前一帧中的峰值位置与当前帧中的峰值位置相同，因此检测到的对象的位置不会影响限制。
3.背景感知相关滤波
BACF优化目标
裁剪矩阵B以选择输入矢量化样本的每个通道x的中心M个元素
通过引入裁剪矩阵，BACF不仅可以利用对象，而且可以利用真实的背景信息，而不是在相关滤波器的训练过程中使用移位的补丁。 由于搜索区域的扩大，它能够以相对于摄像机或UAV相对较高的速度跟踪物体。 不幸的是，在背景信息过多的情况下，引入了更多的背景混乱，并且与以前的DCF框架相比，上下文中的相似对象更有可能被检测并识别为要跟踪的原始对象。 当在响应图中观察到此问题时，可以清楚地看到发生异常时BACF不能很好地处理
4.1ARCF的总体目标
与在LMCF和ACFN中出现异常之后采取的其他措施相比，提出的ARCF跟踪器旨在将对它们出现的抑制整合到相关滤波器的训练过程中。 为了抑制异常，应首先识别它们。 引入欧几里得范数来定义两个响应图M1和M2的差异级别，如下所示：
其中p和q表示二维空间中两个响应图中两个峰的位置差，[ψp，q]表示为了使两个峰彼此重合而进行的移位操作。 通常，当发生异常时，相似度会突然下降，因此Eq的值会降低。 2将很高。 通过判断方程式的值 2，可以很容易地识别出异常。
为了抑制训练过程中的异常，优化了训练目标以最小化损失函数，如下所示：
其中下标k和k-1分别表示第k和第（k-1）帧。 等式的第三项。 上式是限制前面提到的像差的正则化术语。 引入参数γ作为偏差补偿。 在下面的转换和优化部分中，将约束转换到频域并进行优化，以便可以在相关滤波器的训练过程中进行抑制。
这里，从BACF中保留了裁剪矩阵B，以确保有足够的搜索区域。 同时，引入正则化项以抵消由于扩展搜索区域而带来的背景信息的异常。
为了使整体目标更容易转换到频域，首先将其以矩阵形式表示如下
4.2转换到频域
虽然总损失函数可以矩阵形式表示为等式。 4，本质上它仍在进行卷积运算。 因此，为了使总体目标最小化。 图4还如下转换成频域以确保足够的计算效率
由于在当前帧中已经生成了前一帧中的响应图，因此可以将
视为恒定信号，从而可以简化进一步的计算。的引入是为了进一步计算的方便
4.3通过ADMM优化
与BACF跟踪器类似，采用乘法器的替代方向方法（ADMM）来加快计算速度。 由于方程式5的凸性，可以使用ADMM将其最小化以实现全局最优解。 因此， 首先需要以拉格朗日形式将5写成如下
在第k帧中使用ADMM意味着可以通过求解以下两个子问题（分别为以下w ∗ k + 1和ˆg ∗ k + 1）来计算第（k +1）帧的相关滤波器，从而解决扩展的拉格朗日形式。
这两个子问题都具有封闭形式的解决方案。
4.3.1子问题
可以求得闭合解
通过遵循快速傅里叶逆变换操作分别获得gk和ζ
4.3.2子问题
不幸的是，与子问题w ∗ k不同，求解包含Xˆ kgˆk的子问题ˆg ∗ k可能会非常耗时，并且需要在每次ADMM迭代中进行计算。子问题prog ∗ k因此可以进一步划分为N个较小的问题，如下所述，在n = [1,2，... N]
可以有效地计算每个较小的问题，并在下面给出解决方案
4.3.3拉格朗日系数更新
上标j和j +1分别表示第j次迭代和第（j +1）次迭代
网友评论