基于多示例学习的跟踪算法及其高速实现

摘要

基于多示例学习的跟踪算法(Multiple Instance Learning based Track,MILT)是视觉跟踪领域近年最重要的算法之一,该算法对跟踪过程中样本标签的不确定性进行了研究,并基于多示例学习避免了跟踪中的漂移,实现了鲁棒的跟踪.但MILT的运算实时性较差,且通过实验发现MILT的特征选择基本无效,为此本文提出一种改进的高速算法.算法省略了原始算法中的特征选择步骤,极大提高了算法的运行速度.同时,为了处理遮挡,设计了新的分类器更新策略.对多个序列的实验表明,本文高速算法运算速度为原始算法的6倍左右,且具有与原始算法基本相同的跟踪精度和鲁棒性.