鲁棒视觉跟踪算法中的样本选择问题的研究.docx

鲁棒视觉跟踪算法中的样本选择问题的研究
鲁棒视觉跟踪算法中的样本选择问题的研究
摘要：鲁棒视觉跟踪是计算机视觉领域中的一个重要研究方向，样本选择作为鲁棒视觉跟踪算法的重要组成部分，对算法的性能影响很大。本文介绍了当前广泛应用的两种样本选择方法——在线更新方法和离线学习方法，并比较了它们的优缺点。最后，提出了未来研究的方向。
关键词：鲁棒视觉跟踪，样本选择，在线更新，离线学习
引言
鲁棒视觉跟踪是计算机视觉领域中的一个重要研究方向，它的主要目的是在不同场景下实现对目标物体的有效跟踪。在鲁棒视觉跟踪中，样本选择是一个重要的问题，它直接影响到算法的跟踪性能和鲁棒性。
样本选择是指如何从视频序列中选择合适的目标样本，作为模板，用于后续的跟踪过程中。选取的目标样本应该尽可能地反映出目标物体的外观特征，在跟踪过程中保证其不变性，还应该具有足够的鲁棒性，避免出现因外界干扰导致跟踪失败的情况。
目前，基于样本选择的鲁棒跟踪算法主要分为两类：在线更新方法和离线学习方法，下面将分别进行介绍。
在线更新方法
在线更新是一种基于应用场景实时反馈的样本选择方法。在线更新法将当前帧中的检测结果作为样本，在线更新跟踪器的模型，从而提高模型的适应能力，使其更好地适应当前场景。这种方法能够保证跟踪过程中目标物体的准确性和稳定性，适用于涉及到目标物体外观变化的场景。
目前，较为典型的在线更新方法是稀疏编码（sparsecoding）方法。稀疏编码法将待跟踪的目标物体拆分成若干个块，每个块进行稀疏编码，得到一组字典，用来描述目标物体。在跟踪过程中，将当前帧中的检测块与字典进行匹配，找到相似度最高的一组字典，以此更新跟踪器的模型。
但是，在线更新方法也存在一些缺点。首先，在线更新方法跟踪的结果会受到前面帧的噪声污染，可能会导致模型的不稳定性和鲁棒性下降。其次，在线更新方法需要实时处理大量计算，容易引起计算量过大，甚至会导致跟踪效率降低。
离线学习方法
离线学习方法是一种基于预处理的样本选择方法。离线学习法利用训练集进行离线学习，得到一个学习模型用来预测目标物体的外观。通过对训练集的大量预处理，得到一组有效的样本，这些样本能够保证跟踪器在后续跟踪过程中的鲁棒性和准确性。由于离线学习方法对训练样本进行预处理，因此能够避免在线更新方法中的大量计算，提高跟踪效率。
离线学习方法的代表算法是随机汇合（randomferns）算法。随机汇合法采用随机决策生成树的方式训练学习模型，通过不断迭代优化，得到一组具有较好鲁棒性的学习模型。利用这些学习模型对目标物体进行预测，以此得到样本信息，用于前向跟踪。
不过，随机汇合法也存在一些问题。首先，该方法生成的树会受到训练集的限制，不能反应所有情况，易出现过拟合现象。其次，随机汇合法的运算复杂度较高，在大规模数据集上的计算效率较低。
总结
鲁棒视觉跟踪算法中的样本选择问题是一个重要的研究方向，不同的样本选择方法具有各自的优缺点。在线更新方法能够通过实时反馈优化算法，达到更好的跟踪性能，但也存在计算量大、稳定性差的问题；离线学习方法能够快速处理出更强的样本集，提高跟踪效率，但单一的模型易过拟合且计算时间长。后续可考虑结合两种方法，或者开展更具针对性的算法研究。
参考文献
[1]朱威,刘松玉.鲁棒视觉跟踪算法研究进展[J].电子学报,2016,44(6):1325-1332.
[2]WangN,YeungDY.Learningadeepcompactimagerepresentationforvisualtracking[C]//AdvancesinNeuralInformationProcessingSystems.2013:809-817.