基于增量学习的具有鲁棒性的视觉跟踪系统

资源描述 视觉跟踪,从本质上说,处理随时间变化的非平稳图像流。虽然大多数现有的算法可以在控制环境中跟踪对象,但他们通常会在外形或周围的照明的环境存在显著变化的对象中失败。这样的失败的一个原因是,许多算法采用目标固定外观模型。这样的模型在跟踪开始前只使用外观中可用数据,这些数据在实践中限制作为模型的外表的范围, 这样的模型也忽略了大量的在跟踪过程中可用信息(如光照条件的变化或特定的形状)。在这篇论文中,我们提出一个跟踪方法,它逐步学会一种低维子空间特征提取,有效率适应网络中目标的外观的变化。基于增量算法的主成分分析,包括两个重要的特性：正确的更新样品平均值的方法和以确保模型权重的遗忘因子，本模型更新被确定适应之前的观测值。这两个特性对提高整体的跟踪性能很显著。大量的实验证明该跟踪算法在室内和室外有很大机构、规模和照明变化环境中进行目标对象很有效性。