Robust object tracking based on tracking-learning-detection

Abstract

Aktuelle Objektverfolgungsmethoden am Stand der Technik verwenden adaptives Tracking-By-Detection, was bedeutet, dass ein Detektor die Position eines Objekts ermittelt und gleichzeitig seine Parameter an die Erscheinung des Objekts anpasst. Während solche Methoden in Fällen funktionieren, in denen das Objekt nicht vom Schauplatz verschwindet, neigen sie dazu, bei Verdeckungen fehlzuschlagen. In dieser Arbeit bauen wir auf einem neuen Ansatz auf, der Tracking-Learning-Detection (TLD) genannt wird und der dieses Problem bewältigt.<br />In TLD-Methoden wird der Detektor mit Beispielen trainiert, die auf der Trajektorie eines Trackers liegen, der unabhängig vom Detektor ist.<br />Durch die Entkopplung von Objektverfolgung und Objektdetektion erreichen wir eine große Robustheit und übertreffen existierende adaptive Tracking-By-Detection-Methoden. Wir zeigen, dass durch den Einsatz von einfachen Features zur Objekterkennung und mit der Verwendung eines kaskadierten Ansatzes eine beträchtliche Reduktion der Rechenzeit erzielt wird. Wir evaluieren unseren Ansatz sowohl auf existierenden Standarddatensätzen in einer Kamera als auch auf neu aufgenommenen Sequenzen in mehreren Kameras.<br />

Current state-of-the-art methods for object tracking perform adaptive tracking-by-detection, meaning that a detector predicts the position of an object and adapts its parameters to the object's appearance at the same time.<br />While suitable for cases when the object does not disappear from the scene, these methods tend to fail on occlusions. In this work, we build on a novel approach called Tracking-Learning-Detection (TLD) that overcomes this problem.<br />In methods based on TLD, a detector is trained with examples found on the trajectory of a tracker that itself does not depend on the object detector.<br />By decoupling object tracking and object detection we achieve high robustness and outperform existing adaptive tracking-by-detection methods. We show that by using simple features for object detection and by employing a cascaded approach a considerable reduction of computing time is achieved. We evaluate our approach both on existing standard single-camera datasets as well as on newly recorded sequences in multi-camera scenarios.