多视角特征融合的鲁棒的目标跟踪方法

摘要

针对传统目标追踪模型中单一特征对目标描述不准确、不充分,产生噪声样本作为目标参与后续计算出现跟踪漂移等问题,提出多视角特征融合的鲁棒目标跟踪方法.首先利用迭代求解单一特征训练误差和最小的方式实现样本多视角特征自动征融合与描述,引入高次幂系数避免模型退化,并利用核方法保证维度不同特征的融合;其次将模型进一步拓展为增量学习方法,实现目标检测阶段判别模型实时构建,并获得当前帧候选目标样本集;最后根据候选目标样本集与判别边界位置关系,选择最优样本作为当前帧目标样本并利用指数函数增加样本间区分度.在20个具有挑战的图像序列上对文中方法进行验证,实验结果表明,该方法与目前流行的目标跟踪模型比较,获得了较好的效果与较高的鲁棒性.