文章:Real-time visual tracking via online weighted multiple instance learning
Kaihua Zhang, Huihui Song
Department of Computing, The Hong Kong Polytechnic University, Hong Kong, China
Department of Geography and Resource Management, Chinese University of Hong Kong, Hong Kong, China
目前大多的tracking-by-detection的方法基本思想是:在线的方式训练一个分类器;然后使用sliding window从前一个目标位置周围,提取一些样本;再由分类器从这些样本中选出响应值最大的位置作为目标在当前帧中的位置。MIL解决了在线训练过程中不准确的问题。但是,它并没有考虑多事件中样本的权值问题。而实际上,根据所取得的样本离前一帧目标的位置远近可以大致确定它的重要性。这也是这一篇文章的核心思想。
设计一个鲁棒的表观模型是tracking的关键问题。围绕表观模型的设计,提出了产生式和判别是的方法。产生式学习到一个表观模型来表示目标,并从每一帧中找出最相似的区域。稀疏表示在遮挡,光照变化等方面都取得了非常好的效果。但是产生式最大的问题是没有考虑到背景信息,丢掉了很多有用的信息。目前的判别式的方法主要还是tracking-by-detection的方法。传统的方法最大的问题是漂移的问题,主要是训练的正样本