Overview about visual tracking

1、在单目标跟踪中，什么是可视化跟踪呢？

What is visual trackiing?

Object Given:

The traker is initialized with a bounding box in the first frame

Model-Free:

Without usingany explicit appearance or shape model

Single Object:

Mainly focus on single object tracking

Real-time:

It is better to track an object in real-time for practical application

2、可视化跟踪主要用在哪些方面？

Service robot

Intelligent monitoring

Intelligent Transportation

Human-computer interaction

3、visual tracking中经常会遇到哪些问题？

在进行目标跟踪的过程中，不可避免的会遇到以下4类问题，这些问题在阅读相关tracking的论文也经常被提出来。要知道这些问题是什么，才能针对这些问题提出相应算法做改进，改善跟踪的效果。要知道提出的每个跟踪算法就问题而言改善了哪个，这样的学习会更加的清楚。

诸多的挑战：Motion Blur、Occlusion、Deformation、Scale Variation.

缺乏training samples

Typical Trackers

1.CF based trackers

KCF:High-Speed Tracking with Kernelized Correlation Filters

LMCF:Large Margin Object Tracking with Circulant Feature Maps

2.CNN bases trackers

SiamFC:Fully-Convolutional Siamese Networks for Object Tracking

ECO:Efficient Convolution Operators for Tracking

Summary&Tips

在做目标跟踪时，有以下3个方面可以考虑，针对这些方面做选择，可以构成各式各样的跟踪器。上图

My Thoughts

在阅读Paper时，要知道文章的技术点在哪里，用到了什么技巧或者技术。

提出的算法性能很好，State-of-the-art，要知道为什么性能好，做个总结，例如在Large Margin Object Tracking with Circulant Feature Maps这篇文章中，LMCF因为作者主要是关注实时性做的，速度很好，好的原因做以下总结：

Conclusion & Contributions

Powerful classifier

Multimodel target tracking

High-confidence model update：在模型更新这块儿，鲁棒性很好

而这些恰巧就是文章的技术点或者创新点，我们要做的工作就是提出创新点，这个创新可以是针对某一问题训练一个网络。

再例如，对于ECO：Efficient Convolution Operators for Tracking可以做如下总结。

Conclusion:

CNN+HOG+CN

Powerful filters

Training components(diversity)

Update the filters every 6 frames

在这里，我们要明确的一点是：低层特征有较高的分辨率，能够对目标进行精确定位。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，能够对目标进行一定范围的定位。当然，越低层的特征，跟踪器的速度越快，但精度不见得那么好，这是可想而知的。在做跟踪时具体选什么特征还要好好想想。

做模型更新时，如果每帧都更新的话，那会使得跟踪速度变慢，因为模型的Update是很耗时的。在这里，可以想想更新的策略，如ECO提出的每6帧更新一次，LMCF提出的关于阈值的High-confidence model update。不过，个人感觉，High-confidence model update会更好些。