在线学习中在不稳定跟踪时的健壮对象探测器.docVIP

在线学习中在不稳定跟踪时的健壮对象探测器 摘要： 本文调查了在不受约束环境中未知物体的鲁棒性和长时间可视跟踪的问题。它必须处理断帧（frame-cuts）, 摄影机快速运动和对象部分/整体遮挡/消失。我们提出跟踪建模检测系统（TMD），密切集成了在线学习的自适应跟踪特定对象的探测器。从简单点击开始第一帧开始，TMD由一个自适应跟踪跟踪选定对象。轨迹由两个进程（增长和修剪事件）观察，两个进程在跟踪过程中对物体外观鲁棒建模和并建立对象的探测器,这两个事件都会制造错误，但通过删除可实现系统的稳定性。每当观察以前观察到的外观重新出现，学习器能重新初始化跟踪器。本文使用随机森林实现实时学习和归类。本文阐述了TMD系统的演示和长时间稳定性，在具有挑战性的视频序列用不同的对象，如车、人与动物等对系统进行评估。 1。简介 在本文中，我们提出了一个方法，用最小的先验信息解决一个长期在线跟踪问题。“长期”是指无限序列中可能包含断帧、摄影机快速运动和对象可能会暂时从现场消失。“在线”的意思，是不利用未发生信息来跟踪且只处理过程镜头一次。“最小先验信息”指示的对象没有提前知道，关于它的信息只是来自用户选择第一帧。 标准跟踪方法[11]通常是认为帧到帧的跟踪假设没有完全遮挡和消失。这类方法侧重于速度、精度上或研发更可靠的方法来延长“终身”跟踪器[5], 但不直接处理失败后的行为，因此不能直接用于在长期的跟踪问题。我们把这些算法称为的短期跟踪。 显然，长期跟踪问题的解决方式之一是需要一定的检测能力，经过一段时期后目标物体不在视域中或跟踪失败后，要能重新检测目标物体。跟踪检测的方法[9]或集成一个跟踪和一个探测器[1，17] ]能解决这个问题，但是检测器需要在跟踪开始前就设计或训练，所以不能用于物体不能提前知道的情况。这些监测器的训练需要大量的标记的训练集[20]，通过绘制图块生成训练集[9]，通过使用一些复杂的方法[16，18，19]提取训练数据，但所有这些方法都严格分开的培训和测试阶段，这意味着外观变形作为模型的一部分，并没有在训练集中体现。 外观变化问题能被自适应跟踪方法解决。这些方法根据基于模型的更新策略大致可以分成??两类：每帧更新策略是最常见的自适应跟踪器[2，4，7，6]，跟踪器被假设认为是能够正确执行，基于这假设，每次观测都更新对象模型，这种方法可以迅速适应的外观变化，但也可能导致跟踪加速失败；选择性更新策略认为跟踪器并不总是正确的，因此，仅仅如果跟踪器不远离模型[13]或新的未被标记的数据在半监督框架[8]中能被整合到模型中。 在本文中，我们为长期的跟踪问题提出一种新的解决方法，此方法使用三个组成部分：跟踪、建模和检测系统（TMD）。我们用基于LK方法[11]的一种自适应短期跟踪器跟踪物体，在跟踪过程中，新外形是在基于两个事件窗口的无人监督方式建模。模型在所谓“增长事件”反复迭代中延伸，在修剪事件中精简。这两事件被设计为互为纠正对方错误，这使得在跟踪器的短期建模必然失败。建模的结果是获得具有选择性修剪系统内存的模板，基于这种方式，系统在线建立物体探测器。检测器与短期跟踪器并行运行，当短期跟踪器失效了，能重新初始化短期跟踪器。检测器是随机森林方式，使用增量更新决策边界，能在运行时实时连续评估。 本文有以下贡献：1）制定一种新的方法系统（TMD），解决了长期的跟踪问题；2）引进一种基于两个错误删除事件的学习方法，它冲一个简单的采样来引导建模。3）设计了一个高效监测器结构，能实时学习/分类。4）新的局部有效的特征。5）介绍长期跟踪新的次序。在实验中，我们观察到TMD执行长期稳健的跟踪，不需要离线训练，就能自动自适应的跟踪检测。此外，我们经验表明，随着时间的推移系统能单调的改善系统性能。 本文的其余部分组织如下：小节2引入的TMD的框架和事件；小节3讨论TMD的实施; 小节4首先比较了几种日益增长的事件，然后对标准和新的序列进行TMD的估价；TMD; 本文的意见包含在结论中。 2. TMD 系统框架 在本节，我们提出我们的跟踪系统及其组成部分（见图1）…,Bt}，表示图像空间目标(包围盒)的轨迹。表示相应的特征空间U的轨迹，特征空间U存在于一个子空间L*，L*表示所有可能的物体外观（流形），除了为跟踪而选择的一个图像片，这第一个采样的图像片代表在线模型在时间t=0为. TMD的组件交互如下收敛（图1中，对应白色块状匹配灰色块状） 建立Lt的主要目的是表示系统“记忆”和建立能连续更新和评估的物体探测器。它扫描每一个输入帧Ft，输出一个包含在Lt中的外观包围盒集合，这些包围盒集表示由跟踪器返回可供选择假设的位置，该假设融合的执行方式是取得这样的位置，即最大限度地减少距离到目前为止，我们介绍了观察不稳定跟踪器的事件，目的是学习对象外观。下