用于视觉跟踪的在线无监督特征学习

针对通过无监督方法学习的过完备字典进行特征编码，随后进行空间金字塔池化和线性分类，已在各种视觉应用中展现出强大的能力。在此，我们提出将该特征学习流程用于视觉跟踪。跟踪通过“检测即跟踪”（tracking-by-detection）实现，所得框架非常简单却有效。首先，利用在线字典学习构建字典，以捕捉跟踪目标及背景的外观变化。给定测试图像窗口，我们从中提取局部图像块，并针对字典对每个局部块进行编码。然后将编码后的特征在空间金字塔上进行池化，形成聚合特征向量。最后，基于这些特征训练一个简单的线性分类器。实验表明，所提出的强大尽管简单的跟踪器，优于我们测试的所有最先进（state-of-the-art）跟踪方法。此外，我们在提出的跟踪框架中评估了不同字典学习和特征编码方法的性能，并分析了各组件在跟踪场景中的影响。我们还通过将特征学习嵌入 Hare 等人的跟踪方法中，展示了特征学习的灵活性。据我们所知，其结果是迄今为止报道的最佳跟踪器，兼具特征学习和结构化输出预测的优势。