学习鲁棒的跟踪部件社会

目标跟踪是计算机视觉中的一项基本任务，自该领域早期便被研究。能够在视频序列中跟随经历不同变换（包括尺度、光照、形状和遮挡变化）的对象，使得该问题极其困难。真正的挑战之一是跟踪对象外观的变化，而不漂移向背景杂波。与先前方法不同，我们通过由许多不同部件组成的跟踪器模型来获得对背景的鲁棒性。这些部件是在不同尺度和位置响应的分类器。跟踪器系统作为一个部件社会运作，每个部件有自己的角色和可信度水平。可靠的分类器决定跟踪器的下一步移动，而新来者首先被监视，在获得参与决策过程所需的可靠度之前。一些失去一致性的部件被拒绝，而另一些在足够长时间表现出一致性的部件被提升为永久角色。跟踪器系统作为一个整体，也可能经历不同阶段，从通常的正常运作到弱一致甚至危机状态。跟踪器系统在每种状态下有不同的治理规则。我们工作真正区别于他人的，不一定是个别跟踪部件的强度，而是它们协同工作并建立强大鲁棒组织的方式。我们还提出了一种高效同时学习许多跟踪部件的方法，采用单一闭式解公式。我们在具有挑战性的 OTB50 数据集上获得了具有最先进性能的快速鲁棒跟踪器。