基于自适应空间正则化相关滤波的目标跟踪研究

本文提出了一种新的自适应空间正则化相关滤波器(ASRCF)模型,以同时优化滤波器系数和空间正则化权重。首先,这种自适应空间正则化方案可以学习特定物体的有效空间权重及其外观变化,因此在跟踪过程中产生更可靠的滤波器系数。其次,ASRCF模型可以基于乘法器的交替方向方法进行有效优化,其中每个子问题都具有封闭解。第三,此跟踪器分别应用两种相关滤波模型来估计位置和规模。位置相关滤波模型利用浅层与深层特征的集合来准确地确定最佳位置。尺度相关滤波模型适用于多尺度浅层特征,以有效地估计最佳尺度。

基于判别模型预测的目标跟踪研究

目前针对端到端可训练计算机视觉系统的努力对视觉跟踪的任务提出了重大挑战。为了端到端的训练,因此需要将目标模型的在线学习嵌入到跟踪架构本身中。由于这些困难,流行的孪生范例只是预测目标特征模板。然而,由于无法整合背景信息,这种模型具有有限的辨别力。我们的架构源于判别性学习损失,通过设计专门的优化过程,只需几次迭代即可预测强大的模型。