作者：周志宇 彭小龙 吴迪冲 朱泽飞目标跟踪多示例学习fisher线性判别梯度增强判别模型
摘要：目的传统的多示例学习跟踪在跟踪过程中使用了自学习过程，当目标跟踪失败时分类器很容易退化。针对这个问题，提出一种基于在线特征选取的多示例学习跟踪方法（MILOFS）。方法首先，该文使用稀疏随机矩阵来简化视频跟踪中图像特征的构建，使用随机矩阵投影来自高维度的图像信息。然后，利用Fisher线性判别模型构建包模型的损失函数，依照示例响应值直接在示例水平构建分类器的判别模型。最后，从梯度下降角度看待在线增强模型，使用梯度增强法来构建分类器的选取模型。结果对不同场景的图像序列进行对比实验，实验结果中在线自适应增强（OAB）、在线多实例学习跟踪（MILTrack）、加权多实例学习跟踪（WMIL）、在线特征选取多实例学习跟踪（MILOFS）的平均跟踪误差分别为36像素、23像素、24像素、13像素，本文算法在光照变化、发生遮挡，以及形变的情况下都能准确跟踪目标，且具有很高的实时性。结论基于在线特征选取的多示例学习跟踪，跟踪过程使用梯度增强法并直接在示例水平构建包模型的判别模型，可以有效克服传统多示例学习中的分类器退化问题。
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
