15、结合判别模型和描述模型进行目标跟踪

结合判别模型和描述模型进行目标跟踪

1. 引言

视觉跟踪是计算机视觉领域的重要问题，过去几十年里众多算法被提出。不过，现有的大多数算法只能在短时间和环境可控的情况下实现目标跟踪。当目标与背景外观部分相似，或者目标和背景的外观快速变化、变形时，跟踪就变得困难。

近年来，判别式方法为跟踪领域开辟了新方向。例如，Avidan使用离线学习的支持向量机（SVM）作为分类器并嵌入到基于光流的跟踪器中，但SVM不进行在线更新；Tang等人在此基础上引入增量学习方案；Collins等人将跟踪视为像素级的二分类问题；Avidan的集成跟踪器通过Adaboost在线学习强分类器来标记下一帧的像素；Grabner和Bischorf应用增强特征选择算法构建强分类器。

Lu和Hager提出分别用两组随机图像块对目标和背景进行建模，通过学习二分类器对新帧中的图像块进行分类，并计算置信图来确定目标位置，但整个跟踪过程使用单尺度图像块。

自适应跟踪中的经典问题是模型漂移，它会降低跟踪的准确性和鲁棒性，主要是因为难以消除目标边界框中的一些误检正样本。在基于判别式的跟踪算法中，如果目标不是矩形而跟踪窗口是，或者跟踪窗口大于目标，这种现象会更明显。Lu和Hager引入双向一致性检查部分克服了这一缺点。

目前已有大量跟踪算法，但对算法性能的评估，尤其是针对模型漂移的严格评估还比较缺乏。

1.1 提出的算法

为减轻模型漂移对跟踪的负面影响，本文提出构建判别模型和描述模型对来表示目标。具体做法是从目标及其局部背景中采样不同尺度的图像块，捕捉高低层视觉线索。然后，为每个尺度训练一对二元支持向量分类器（2 - SVC）和一类支持向量分类器（1