基于在线多核boosting的鲁棒视觉跟踪

摘要

针对多核学习不满足视觉跟踪外观模型在线更新的要求,提出了一种基于在线多核boosting的鲁棒跟踪算法。采用boosting技术代替传统的全局寻优计算核函数权值,构建基于互补性特征集和核函数集的弱分类器池,将评估分类器判别性的置信度函数作为迭代计算中的目标函数,获取判别能力最好的弱分类器及其权值;引入基于当前帧候选样本信任度分布熵的修正因子,提高在快速变化环境下获取的权值精度;设计了"在线学习"方式代替传统的"批处理学习",通过基于l2范数子空间评估完成外观模型的自适应更新,避免因误差积累导致跟踪偏离。多组具有挑战性的视频序列的跟踪结果表明,本文算法的性能要好于多种现有的优秀跟踪算法。