Object tracking has been studied in the field of computer vision and many approaches are proposed to solve challenging problems in the object tracking. Among many approaches, we are motivated by an existing tracking algorithm employing L-1 minimization method in particle filter framework. The L-1 minimization object tracking is one of state-of-the-art tracking algorithms, obtaining the robustness for illumination changes, occlusions and pose changes.
However, the tracking algorithm often loses fast or complexly moving target object. In order to solve the problem, we suggest applying optical flow to the state model of particle filter framework. By adding calculated velocity information of the target object to the state model via optical flow, the performance of tracking for moving objects, especially fast or abruptly moving objects, is improved within our method.
Moreover, we propose utilizing object-centric method in object tracking to improve the performance of the tracking algorithm and reduce the losses of target object during tracking. The object-centric method is inspired by object-centric spatial pooling that pools features from foreground and background separately. Object-centric method employs the difference of the Histogram of oriented gradients (HOG) features from the current frame and the first frame for both foreground and background features. We discuss the ineffectiveness of HOG features for object-centric method and suggest SIFT features instead of HOG features for the further studies.
물체 추적 문제는 컴퓨터 비전분야에서 지속적으로 연구되어왔고 다양한 접근방식들이 물체 추적 문제를 해결고자 제안되었다. 우리는 다양한 방법론들 사이에서도 기존의 L-1 최소화 알고리즘을 파티클 필터 틀 내에서 구현한 물체 추적 방식에 영감을 받았다. L-1 최소화 물체 추적 방식은 현존하는 가장 뛰어난 물체 추적 방식 중 하나이고 특히 조명 변화, 물체 가림, 물체 포즈 변화에 대해 강인한 특성을 지니고 있다.
하지만 L-1 물체 추적 방식은 빠르거나 복잡하게 움직이는 물체에 대해서는 강력한 성능을 내지 못하고 종종 물체를 추적 중에 놓치는 약점이 존재한다. 이 문제를 해결하기 위해서 우리는 옵티컬 플로우를 파티클 필터의 상태 모델에 적용하는 방식을 제안하였다. 옵티컬 플로우를 이용하여 계산된 추적하려는 물체의 속도 정보를 파티클 필터의 상태 모델에 더함으로써 갑작스럽거나 빠른 움직임에 대한 추적 성능이 향상되도록 하였다.
또한, 물체 중심 기법을 이용하여 물체 추적 알고리즘의 성능을 향상시키고 물체를 놓치는 현상을 줄이고자 하였다. 물체 중심 기법은 물체와 배경에서 각각 특징점을 추출하여 풀링하는 물체 중심 공간적 풀링 방식에서 영감을 얻었다. 물체 중심 기법은 현재 프레임과 첫 번재 프레임 각각에서 나오는, 물체에서 추출되는 HOG (Histogram of oriented gradients) 특징점과 배경에서 추출되는 HOG 특징점들을 연결하고 이들의 다른 정도를 이용하여 물체 추적 성능을 향상 시키도록 제안하였다. 하지만 HOG 특징점의 경우 물체에서 나오는 특징점과 배경에서 나오는 특징점에 차이가 거의 없어 물체 중심 기법에 효과적이지 않은 것으로 판별되었다. 따라서 추후 연구를 위해 SIFT (Scale-invariant Feature Transform) 특징점을 HOG 특징점 대신 제안하였다.
