基于浅层与深层协作模型的视觉跟踪

本文提出一种基于生成模型与判别分类器协作的鲁棒跟踪方法，其中特征分别由浅层和深层架构学习。对于生成模型，我们引入基于块增量学习方案，其中构建局部二值掩码以处理遮挡。局部块与其对应子空间之间的相似度被整合以形成更精确的全局表观模型。在判别模型中，我们利用深度学习架构的进展来学习对背景杂波和前景表观变化均鲁棒的通用特征。为此，我们首先从辅助视频序列构建判别训练集。然后在该训练集上离线训练深度分类神经网络。通过在线微调，层次特征提取器和分类器均可适应目标表观变化以实现有效在线跟踪。这两个模型的协作在处理遮挡和目标表观变化（视觉跟踪中两个矛盾的挑战因素）方面取得良好平衡。在挑战性图像序列上对比若干最先进算法的定量与定性评估证明了所提跟踪器的准确性和鲁棒性。