基于在线储备度量学习的非稀疏线性表示视觉跟踪
计算机视觉与模式识别
2012-04-16 v1
摘要
大多数基于稀疏线性表示的跟踪器需要求解计算昂贵的L1正则化优化问题。为解决此问题，我们提出一种基于非稀疏线性表示的视觉跟踪器，该跟踪器可在不牺牲精度的情况下获得高效的闭式解。此外，为捕捉不同特征维度之间的相关性信息，我们以在线方式学习马氏距离度量，并将所学度量纳入求解线性表示的优化问题中。我们证明，使用邻近比较的在线度量学习显著提高了跟踪的鲁棒性，尤其是在那些表现出剧烈外观变化的序列上。此外，为防止度量学习的训练样本数量无限制增长，我们设计了一种时间加权储备采样方法，用于维护和更新有限大小的前景和背景样本缓冲区，以平衡样本多样性和适应性。在具有挑战性的视频上的实验结果表明了所提跟踪器的有效性和鲁棒性。
引用
@article{arxiv.1204.2912,
title = {Non-sparse Linear Representations for Visual Tracking with Online Reservoir Metric Learning},
author = {Xi Li and Chunhua Shen and Qinfeng Shi and Anthony Dick and Anton van den Hengel},
journal= {arXiv preprint arXiv:1204.2912},
year = {2012}
}
备注
Appearing in IEEE Conf. Computer Vision and Pattern Recognition, 2012