view in publisher's site

Learning Temporal Context for Correlation Tracking with Scale Estimation

Visual object tracking is a fundamental task in computer vision with its wide range of applications. In this paper, we propose a robust algorithm based on the kernelized correlation filter framework to handle occlusions or scale variations. Our algorithm takes into account the relationships between the target object and its surrounding context, and learns a discriminative correlation filter for the estimation of the new position. Another discriminative regression model via constructing the target pyramid is introduced to estimate the optimal scale. The proposed algorithm integrated with two discriminative regression models can track complex targets with occlusion and deformation at real-time. The competitive experimental results on the dataset sequences show that the proposed tracker outperforms other state-of-the-art methods, in both the precision and the success rate.

یادگیری مفهوم زمانی برای ردیابی ارتباط با تخمین مقیاس

ردیابی شی بصری یک وظیفه اساسی در بینایی کامپیوتری است که دامنه وسیعی از کاربردها را دارد. در این مقاله، ما یک الگوریتم قوی مبتنی بر چارچوب فیلتر همبستگی kernelized را برای کنترل occlusions یا تغییرات مقیاس پیشنهاد می‌کنیم. الگوریتم ما روابط بین شی هدف و بافت اطراف آن را در نظر می‌گیرد و یک فیلتر همبستگی تمایزی را برای تخمین موقعیت جدید یاد می‌گیرد. یک مدل رگرسیون متمایز دیگر از طریق ساخت هرم هدف برای تخمین مقیاس بهینه معرفی شده‌است. الگوریتم پیشنهادی با دو مدل رگرسیون متمایز ادغام می‌شود تا اهداف پیچیده را با انسداد و تغییر شکل در زمان واقعی ردیابی کند. نتایج تجربی رقابتی روی مجموعه داده‌ها نشان می‌دهد که tracker پیشنهادی عملکرد بهتری نسبت به روش‌های دیگر هنری، هم در دقت و هم در نرخ موفقیت دارد.

ترجمه شده با

Download PDF سفارش ترجمه این مقاله این مقاله را خودتان با کمک ترجمه کنید
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.