14、迈向稳健的在线视觉跟踪

迈向稳健的在线视觉跟踪

在视觉跟踪领域，为了实现更高效、更准确的目标跟踪，研究者们不断探索新的方法和技术。本文将介绍在线视觉跟踪的相关内容，包括子流形的在线更新、利用先验知识进行在线学习以及在线学习视觉跟踪检测器等方面。

子流形的在线更新

在视觉跟踪中，子流形的在线更新是一个重要的环节。对于每个由主成分分析（PCA）子空间建模的子流形，我们基于R - SVD算法和顺序Karhunen - Loeve方法开发了一种高效的在线子空间更新算法。该算法不仅更新正交基，还更新子空间均值，这对于某些应用非常重要。

例如，它可以应用于自适应更新Fisher线性判别分析中使用的类间和类内协方差矩阵。实验结果表明，我们的子空间更新算法比最相关的工作效率高20%。

我们利用具有子空间更新的在线外观模型开发了稳健的跟踪算法。与特征跟踪算法不同，我们的算法不需要训练阶段，而是在目标跟踪过程中在线学习特征基。因此，我们的外观模型可以适应姿态、视角和光照的变化，而这些变化是训练图像集无法捕捉的。

我们的外观模型比简单的曲线或样条提供了更丰富的描述，并且对被跟踪的“物体”有一个紧凑的概念。学习到的表示还可以用于其他任务，如目标识别。此外，即使相机移动，我们的算法也能够同时跟踪和学习目标物体的紧凑表示。

以下是子流形在线更新的优点总结：
|优点|描述|
| ---- | ---- |
|高效性|子空间更新算法比相关工作效率高20%|
|适应性|能适应姿态、视角和光照变化|
|丰富描述|提供比简单曲线或样条更丰富的描述|
|多功能性|学习到的表示可用于目标识别等其他任务|
|实时性|无