CSRDCF_BD: Bhattacharyya 거리 기반의 객체 추적을 위한 적응형 공간 마스크 정제 기법
CSRDCF_BD: Adaptive Spatial Mask Refinement for Visual Tracking via Bhattacharyya Distance
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 논문에서는 기존 CSRDCF 추적기의 공간적 신뢰도 모델에 대한 한계를 보완하기 위해, 마스크의 정확도와 신뢰도를 정량적으로 조절하는 Bhattacharyya Distance 기반의 적응형 필터링 기법, CSRDCF_BD를 제안한다. 제안된 방법은 foreground–background 간의 히스토그램 유사도에 기반하여 마스크에 대한 가중치를 동적으로 조정하며, 가림, 배경 혼잡, 조명 변화 등 복잡한 시각 조건에서도 필터 학습의 안정성과 추적 성능을 향상시킨다. OTB100 및 VisDrone 벤치마크에서 수행한정량 실험 결과, CSRDCF_BD는 기존 CSRDCF 및 주요 추적기 대비 높은 정밀도와 성공률을 기록하였으며, 시간 안정성 측면에서도 우수한 일관성을 보였다. 본 연구는 공간 신뢰도 모델의 정교화 및 적응형 필터링 전략이 객체 추적기의 강건성 향상에 실질적으로 기여할 수 있음을 실증적으로 보여준다.
Abstract
This paper proposes CSRDCF_BD, a novel extension of the CSRDCF tracker that addresses the limitations of spatial reliability modeling through adaptive filtering based on the Bhattacharyya Distance. The proposed method dynamically adjusts the weighting of binary masks by measuring histogram similarity between the foreground and background regions. This enables more robust filter learning under challenging visual conditions such as occlusion, background clutter, and illumination variation. Quantitative evaluations on the OTB100 and VisDrone benchmarks demonstrate that CSRDCF_BD consistently outperforms the baseline CSRDCF and other state-of-the-art trackers in terms of both precision and success rate. Furthermore, CSRDCF_BD exhibits superior temporal stability, as evidenced by its performance across attribute-specific and sequence-level analyses. These results confirm that refined spatial reliability modeling combined with adaptive filtering strategies can significantly enhance the robustness and generalization capability of correlation filter-based object tracking systems.