Real-time RGB-D Tracking with Depth Scaling Kernelised Correlation Filters and Occlusion Handling翻译\

摘要

本文提出一种能够处理遮挡和尺度变换的实时RGB-D目标追踪器。无论在精度还是速度方面都优于很多先进算法。该算法的基础是基于颜色特征的KCF算法，在其基础上我们引入深度特征以便处理目标尺度变换和遮挡问题，同时还能满足算法的实时性要求。在两个公开测试集中该算法的平均速达超过35fps。

3、DS-KCF追踪算法

通过将颜色特征和深度特征有效的结合，将RGB KCF扩展到RGB-D KCF，更好的处理scale changes 和occlusions的问题。该算法在保持较好的实时性要求的同时提高了追踪精度。Figure 1显示的算法示意图。首先分割目标区域中的深度信息（3.1）以便提取目标的深度分布的相关特征。建模为高斯分布，尺度变化指导目标模型中的更新（3.2）。目标区域的深度分布信息使occlusion的检测成为可能。当目标被遮挡时，模型不再更新，并追踪遮挡物体以便确定目标的搜索区域（3.3）。选择KCF是由于其精度和速度的优越性能，本论文提出的扩展方法也可以应用于其他RGB trackers

3.1 快速深度分割（Fast Depth Segmentation）

对KCF tracker的改进首先是融合depth information于RGB approach。本文提出深度信息的2步分割方法，后面将介绍的对scale change和occlusion问题也因此成为可能。two-stage depth segmentation approach:

（a）K-means的1维应用，快速估计出初始的clusters 或regions of interest（ROI)

（b）连通区域分析，结合空间特征细化ROI

K均值的计算量取决于聚类的数量，要聚类的点的数量和特征维数。 我们将K均值应用于跟踪区域的1D深度直方图，从而减少特征的数量和点数。 类似的方法被提出用于color图像分割[4]。 我们将质心初始化为等间隔深度直方图的局部最大值。然后将每个簇分配给最接近的仓，并且更新质心直到收敛。在第二阶段中，在图像平面中分析连接的分量以区分位于相同深度平面内的对象，并且移除对应于小区域的群集。 bin宽度影响分割的结果。这是根据跟踪对象的标准偏差（σobj）以及深度设备[3,12]的噪声模型自适应地选择的。目标区域Ωobj对应于具有最小平均深度的聚类。在对象被跟踪时，聚类的平均μobj和标准偏差σobj不断地被更新。