Survey of single-target visual tracking methods based on online learning 翻译

基于在线学习的单目标跟踪算法调研

摘要

视觉跟踪在计算机视觉和机器人学领域是一个流行和有挑战的话题。由于多种场景下出现的目标外貌和复杂环境变量的改变，先进的跟踪框架就有必要采用在线学习的原理。本论文简要的介绍了一下关于视觉跟踪的挑战和应用，通过分类集中讨论基于在线学习的现代跟踪方法。我们提供了对每种分类中的代表性方法的详细描述，同时检查它们的优点和缺点。而且，一些最具代表性的算法被实现，来提供定量的参考。最后，我们列出了几个关于视觉跟踪研究的未来发展趋势。

1    引言

<未翻译>

2 生成式在线学习方法

通过搜索与目标模型最相似的区域，传统的生成式在线学习方法被用来跟踪目标。在线学习的策略被嵌入到跟踪框架下来根据外观的改变自适应的更新外观模型。下面，介绍了基于在线学习的生成式跟踪模型的最近的一些进展。这些方法的思想在于对外观表示的创新。

2.1 基于模板的方法

缺乏合适的外观模型是限制视觉跟踪算法性能的主要原因之一。由于固定的模型，传统的模板匹配跟踪方法不能适应外观改变。因此，基于在线学习的动态模板被用来对由于姿态和光照上的改变导致的目标外观改变进行表示。

【1】论证了一个基于小波的混合模型并使用了在线期望值（EM）最大算法来更新外观模型，并有效地获取基于运动跟踪器的跟踪参数。【2】将基于EM-算法的自适应外观模型嵌入到粒子滤波中获得了更好的鲁棒性。用了两个EM-算法，一个是用来更新外观模型，另一个用来获取跟踪参数。【3】通过随时间估计外观模型和更新直方图空间获取一个在线的EM算法。简要的说，在线EM算法的主要目的是在跟踪时，反复的估计和更新参数值。它最大的优