그외 Object Tracking 방법
Boosting Tracker
AdaBoost(Haar Cascade에서 사용되는) 알고리즘 사용
- 장점
- 매우 잘 알려져 있고, 잘 연구된 알고리즘
- 단점
추적이 언제 실패했는지 알수가 없다.
객체가 영상을 떠나도, 알고리즘은 여전히 추적하고 있음
* 이젠 더 좋은 기술들이 많이 있다
MIL Tracker
Multi Instance Learning
픽셀 주변 이웃 픽셀들의 다양한 인스턴스를 고려함
- 장점
- 성능이 좋다. Boosting보다 버벅대지 않는다.
- 단점
- 객체추적이 실패해도, 보고하지 않을수 있다.
- 얼굴이 사라저도 알고리즘은 여전히 추적할 수 있다.
KCF Tracker
Kernerlized Correlation Filters
MIL애서 데이터 포인트의 중복이 발생할수 있는 점을 수학적 계산으로 해결
- 장점
- MIL을 발전시킨만큼 위 알고리즘들보다 성능이 좋다.
- Object Tracking을 진행할 때 첫번재로 선택할만한 알고리즘
- 단점
- 전체적인 방해물이 있다면 추적을 다시 회복하기 어렵다.
TLD Tracker
Trakcing, Learning, Detection
객체를 프레임 마다 추적, 그동안 관찰된 모든 위치를 파악하고, 필요한 경우 수정을 진행
이후 학습을 진행해 탐지기의 오류를 추정 및 수정을 통해 오류 최소화
-
장점
- 프레임에 방해물이 있거나, 빠르게 움직여도 성능이 좋다.
- 큰 변화와 장에물에서도 성능이 좋다.
-
단점
- 거짓 결과를 제공할수 있다.
- 본래 추적중이던 객체가 아닌 다른 객체를 추적하는 경우가 발새할 수 있다.
Median Flow Trakcer
시간의 앞뒤 방향으로 물체를 추적하고, 그것들 사이의 불일치를 측정
- 장점
- 추적 실패를 잘 포착한다.
- 미래 움직임을 잘 예측
- 단점
- 큰 움직임에서는 실패할 가능성이 크다.
qkdk