Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Image Annotation Using a Semantic Hierarchy Kapitel lesen Erstes Kapitel lesen

2018 | OriginalPaper | Buchkapitel

Visual Tracking via Patch-Based Absorbing Markov Chain

verfasst von : Ziwei Xiong, Nan Zhao, Chenglong Li, Jin Tang

Erschienen in: Structural, Syntactic, and Statistical Pattern Recognition

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Bounding box description of target object usually includes background clutter, which easily degrades tracking performance. To handle this problem, we propose a general approach to learn robust object representation for visual tracking. It relies a novel patch-based absorbing Markov chain (AMC) algorithm. First, we represent object bounding box with a graph whose nodes are image patches, and introduce a weight for each patch that describes its reliability belonging to foreground object to mitigate background clutter. Second, we propose a simple yet effective AMC-based method to optimize reliable foreground patch seeds as their qualities are very important for patch weight computation. Third, based on the optimized seeds, we also utilize AMC to compute patch weights. Finally, the patch weights are incorporated into object feature description and tracking is carried out by adopting structured support vector machine algorithm. Experiments on the benchmark dataset demonstrate the effectiveness of our proposed approach.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel An Image-Based Representation for Graph Classification
Nächstes Kapitel Gradient Descent for Gaussian Processes Variance Reduction
Literatur
1.
Bolme, D.S., Beveridge, J.R., Draper, B.A., Lui, Y.M.: Visual object tracking using adaptive correlation filters. In: IEEE Conference CVPR, pp. 2544–2550 (2010)
2.
3.
Comaniciu, D., Ramesh, V., Meer, P.: Kernel-based object tracking. TPAMI 25, 564–577 (2003)CrossRef
4.
Danelljan, M., Hager, G., Khan, F., Felsberg, M.: Accurate scale estimation for robust visual tracking. In: Proceedings BMVC (2014)
5.
Duffner, S., Garcia, C.: Pixeltrack: a fast adaptive algorithm for tracking non-rigid objects. In: Proceedings IEEE Conference ICCV (2013)
6.
Hare, S., Saffari, A., Torr, P.H.S.: Struck: structured output tracking with kernels. In: Proceedings IEEE Conference ICCV (2011)
7.
He, S., Yang, Q., Lau, R., Wang, J., Yang, M.H.: Visual tracking via locality sensitive histograms. In: Proceedings IEEE Conference CVPR (2013)
8.
Henriques, J.F., Caseiro, R., Martins, P., Batista, J.: High-speed tracking with kernelized correlation filters. TPAMI 37, 583–596 (2015)CrossRef
9.
Jiang, B., Zhang, L., Lu, H., Yang, C., Yang, M.H.: Saliency detection via absorbing markov chain. In: Proceedings IEEE Conference ICCV (2013)
10.
Kalal, Z., Mikolajczyk, K., Matas, J.: Tracking-learning-detection. TPAMI 34(7), 1409–1422 (2012)CrossRef
11.
Kim, H.U., Lee, D.Y., Sim, J.Y., Kim, C.S.: SOWP: spatially ordered and weighted patch descriptor for visual tracking. In: Proceedings IEEE Conference ICCV (2015)
12.
13.
Li, C., Lin, L., Zuo, W., Tang, J.: Learning patch-based dynamic graph for visual tracking. In: Proceedings AAAI (2017)
14.
15.
Li, C., Wu, X., Bao, Z., Tang, J.: ReGLe: spatially regularized graph learning for visual tracking. In: MM Proceedings ACM (2017)
16.
Li, X., Han, Z., Wang, L., Lu, H.: Visual tracking via random walks on graph model. IEEE Trans. Cybern. 46(9), 2144–2155 (2016)CrossRef
17.
Liu, T., Wang, G., Yang, Q.: Real-time part-based visual tracking via adaptive correlation filters. In: IEEE Conference CVPR (2015)
18.
Ma, C., Yang, X., Zhang, C., Yang, M.H.: Long-term correlation tracking. In: Proceedings IEEE Conference CVPR (2015)
19.
Tong, H., Faloutsos, C., Pan, J.Y.: Random walk with restart: fast solutions and applications. KAIS 14(3), 327–346 (2008)MATH
20.
Wang, N., Yeung, D.Y.: Learning a deep compact image representation for visual tracking. In: NIPS, pp. 809–817 (2013)
21.
Wu, Y., Lim, J., Yang, M.H.: Object tracking benchmark. TPAMI 37, 1834–1848 (2015)CrossRef
22.
Yang, F., Lu, H., Yang, M.H.: Robust superpixel tracking. IEEE Trans. Image Process. 23(4), 1639–1651 (2014)MathSciNetCrossRef
23.
Yeo, D., Son, J., Han, B., Han, J.H.: Superpixel-based tracking-by-segmentation using markov chains. In: CVPR, pp. 511–520 (2017)
24.
25.
Zhang, K., Zhang, L., hsuan Yang, M.: Real-time compressive tracking. In: Proceedings ECCV (2012)
Metadaten
Titel
Visual Tracking via Patch-Based Absorbing Markov Chain
verfasst von
Ziwei Xiong
Nan Zhao
Chenglong Li
Jin Tang
Copyright-Jahr
2018
Buch
Structural, Syntactic, and Statistical Pattern Recognition

Print ISBN: 978-3-319-97784-3

Electronic ISBN: 978-3-319-97785-0

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-3-319-97785-0_15