25、基于互补学习器的鲁棒实时视觉跟踪方法

基于互补学习器的鲁棒实时视觉跟踪方法

在视觉跟踪领域，为了缓解在线更新中的稳定性 - 可塑性困境，不同的研究者提出了各种方法。Kalal 等人提出了 Tracking - Learning - Detection（TLD）框架，将长期跟踪任务分解为跟踪、学习和检测三个组件；Hare 等人考虑训练样本的空间分布，将特征和核集成到在线结构化输出 SVM 学习框架中预测目标位置；Zhu 等人提出协作相关跟踪器，联合使用多尺度核相关滤波器学习目标外观，并引入在线 CUR 滤波器进行检测以减轻模型漂移；Ma 等人使用判别相关滤波器进行平移和尺度估计，并开发在线随机蕨类分类器在跟踪失败时重新检测目标。而本文采用平均峰值相关能量（APCE）来确定是否激活和更新在线检测器。

跟踪组件

目标是构建一种鲁棒且实时的跟踪方法，由于 Staple 跟踪器具有出色的性能和效率，因此本文的方法基于 Staple 跟踪器展开。
- Staple 跟踪器 ：结合了模板响应和直方图响应。模板响应基于对颜色变化不敏感的 HOG 特征学习，直方图响应基于对形状变形具有鲁棒性的全局颜色直方图学习。通过解决两个独立的岭回归问题来学习模型，既保留了相关滤波器的效率，又避免忽略颜色直方图响应捕获的信息。
- 模板响应在最小二乘相关滤波器公式下学习，多通道相关滤波器从目标的单个样本（由 d 维特征图 f 组成）中学习。最优相关滤波器 h 通过最小化目标函数获得：
[\min_{h} \left\lVert \sum_{i}^{d} h_i \star f_i - y \right\rVert^2 + \lambda \sum_{i}^{d} \left\lVert h_i \ri