Learning to Track at 100 FPS with Deep Regression Networks 论文理解及应用笔记（二）

GOTURN算法实践及性能分析云笔记

 
算法实现：个人根据论文及github提示构建算法平台
测试环境为：Caffe+OpenCV+Linux+GOTURN源码
硬件平台：CRSN本科生实验室服务器--128G运行内存，3.2GCPU频率、英伟达1080p显卡、酷睿I7、8核处理器
测试数据集：VOT2014公开数据集
 
一、环境搭建
1.OpenCV-2.4.9库安装
 
1.1 先从sourceforge上下载OpenCV的源码
 
http://jaist.dl.sourceforge.net/project/opencvlibrary/opencv-unix/2.4.9/opencv-2.4.9.zip
 
1.2解压到任意目录
 
unzip opencv-2.4.9.zip
 
1.3进入源码目录，创建release目录
 
cd opencv-2.4.9
mkdir release  
 
1.4可以看到在OpenCV目录下，有个CMakeLists.txt文件，需要事先安装一些软件
 
sudo apt-get install build-essential cmake libgtk2.0-dev pkg-config python-dev python-numpy libavcodec-dev libavformat-dev libswscale-dev  
 
1.5 进入release目录，安装OpenCV是所有的文件都会被放到这个release目录下
 
cd release  
 
1.6cmake编译OpenCV源码，安装所有的lib文件都会被安装到/usr/local目录下
 
cmake -D CMAKE_BUILD_TYPE=RELEASE -D CMAKE_INSTALL_PREFIX=/usr/local ..  
 
1.7 安装
 
sudo make install  
 
 
2.Caffe+ubuntu14.04+cmake-3.6
 Caffe的安装有make和cmake两种，这里由于GTUEN安装需求，必须采用cmake方式，否则其找不到Caffe路径，当仅仅是CPU模式时，需要修改CMakeChe.txt文件，将其中的CPU_ONLY=OFF改为CPU_ONLY=ON,否则将出现对CUDA依赖的错误
 
 
2.1Caffe安装（参考伯克利大学Caffe社区详细解释）
 


 
2.2 cmake-3.6安装（linux自带2.8，版本过低对源码不兼容）
准备工作：官网下载cmake-3.6.3.tar.gz（https://cmake.org/download/）
1.解压文件tar -xvf cmake-3.6.3.tar.gz，并修改文件权限chmod -R 777 cmake-3.6.3
2.检测gcc和g++是否安装，如果没有则需安装gcc-g++：sudo apt-get install build-essential（或者直接执行这两条命令sudo apt-get install gcc,sudo apt-get install g++）
3.进入cmake-3.6.3 进入命令 cd cmake-3.6.3
4.执行sudo ./bootstrap
5.执行sudo make
6.执行 sudo make install
7.执行 cmake –version，返回cmake版本信息，则说明安装成功
 
3.1GOTURN源码安装
 


 
 
二、算法测试
 
1.1测试数据集
        
测试集包含25个来源于VOT2014跟踪挑战赛的视频，视频的每一帧都富含了大量的不同的属性：遮挡、光线变换、运动变换、尺寸变换、相机运动等。具体数据可由官网下载。
 
1.2算法流程
 


 

 
 
1.4算法效果
GOTURN_汽车跟随，选取第一帧的运动汽车作为跟随目标，能很好的克服相机运动，背景变换，少量的遮挡带来的外界干扰。
     

                                                                                   


GOTURN_人脸跟随，选取第一帧黑暗情况下人脸作为跟随目标，能很好的克服光线变换，抖动，目标运动代开的外界干扰
 


 
GOTURN_跳水运动，选取第一帧跳水人员作为跟随对象，能很好的克服快速运动变换过程中的外界感染，实现实时跟踪
 


 
1.5算法优缺点分析
优点：①通过大量的离线训练得到目标跟随回归模型，将一次预测变为神经网络的一次前馈传播，在GTX680加速模式下，处理帧率能达到100FPS，CPU模型下能达到4FPS，算法能保障实时性，能满足后续开发投入实际需求。②通过五层卷积神经网络对输入图像进行特征提取，因此能很好的克服光线变换、运动变换、相机抖动等外界干扰。
 
缺点：对遮挡的处理效果不好，当跟随目标较小时，容易由于遮挡产生漂移等问题。原因：该算法是基于相邻帧的回归模型，因此不存在分类器作为判决。