基于 And-Or 图的在线目标跟踪、学习与解析

本文提出了一种称为 AOGTracker 的方法，利用层次化且组合式的 And-Or 图（AOG）表示，对视频序列中的未知目标同时进行跟踪、学习与解析（TLP）。该方法在贝叶斯框架下构建，利用空间与时间动态规划（DP）算法实时推断目标边界框。在在线学习过程中，使用隐变量支持向量机（latent SVM）判别性地学习 AOG，以适应被跟踪目标的外观变化（如光照和部分遮挡）与结构变化（如不同姿态和视角），以及背景中的干扰因素（如相似目标）。本文解决了在线推断与学习中的三个关键问题： 保持在线收集的正负样本的纯度； 在隐结构学习中控制模型复杂度； 基于 AOG 的不可跟踪性识别重新学习 AOG 结构的关键时刻。不可跟踪性根据 AOG 在某一帧中的得分图来衡量其不确定性。在实验中，AOGTracker 在相同的参数设置下于两个流行的跟踪基准上进行了测试：TB-100/50/CVPR2013 基准和 VOT 基准——VOT 2013、2014、2015 和 TIR2015（热成像跟踪）。在前者中，AOGTracker 优于包括两个基于深度卷积网络的跟踪器在内的最先进跟踪算法。在后者中，AOGTracker 在 VOT2013 中优于所有其他跟踪器，并在 VOT2014、2015 和 TIR2015 中与最先进的方法表现相当。