3.

Seguimiento visual basado en el modelo local

Visual Tracking Based on Local Model Muchos métodos de seguimiento eficaz y eficiente
no puede tratar con oclusión parcial y antecedentes el desorden. Para abordar estas
cuestiones, varios modelos basados en locales han sido empleadas para diseñar robustos
algoritmos de seguimiento. En este capítulo, vamos a introducir dos locales basadas en
modelos de monitores. Uno mejora la capacidad discriminativa inclinándose discriminativo
pesos local y el otro tiene ventajas de tanto estructurales e información local de objetos de
destino por el promedio y la agrupación de alineación.1 2

3.1 Introducción
Desarrollo de un eficiente y robusto tracker es una tarea difícil debido a las dificultades
como la oclusión parcial, cambio de apariencia, variación de la iluminación de fondo y el
desorden. Entre estos factores desafiantes, oclusión es uno de los más generales pero
problemas cruciales en el seguimiento visual. Por lo tanto, para obtener una apariencia
modelo que pueda afrontar con oclusión parcial de la situación, varios modelos basados
en locales han sido empleadas para el diseño de algoritmos de seguimiento robusto [1, 5,
6, 9, 13, 14].
En contraste con los métodos de representación holística, basada en descriptor local
aparición modelos tienden a preservar la información estructural del objeto y capturar los
cambios en detalle. Este rasgo es exactamente adecuado para tratar con problemas de
oclusión parcial. Realmente, muchas investigaciones recientes han demostrado la eficacia
de los modelos adoptados en diversos marcos de seguimiento visual. Adam et al. [1]
Propone un método robusto para oclusión objeto que dividen la región en varios
fragmentos local y, a continuación, localice la posición del destino mediante la fusión de la
votación de los mapas de estos fragmentos. Él et al. [3] Ampliar la idea de fragmento y
presentar el concepto de histograma sensibles local denso coincidentes. Kwon y Lee [5]
representan un objeto mediante un número fijo local de parches y actualización del
modelo de acuerdo con el conocimiento previo de las revisiones durante el seguimiento.
Los métodos de seguimiento presentados en [7] representan el seguimiento con un
destino único histograma que es generada por una serie de códigos dispersos de imagen
local parches y las técnicas de agrupación. Zhong et al. [21] Codificar cada parche por la
escasa representación de estrategia con un diccionario estático, y construir un histograma
limpio ocluida por la exclusión de los parches. Xu et al. [18] Dividir el objetivo en cuatro
parches, y calcular la respuesta de cada parche a través de los atributos de color
kernelized filtro de correlación. A fin de manejar plantean el cambio y desorden de fondo
además de oclusión, una novela parte local basado en el método de seguimiento [20] es
propuesto por la introducción de variables latentes espacial dentro de un marco
estructurado de máquina de vectores de soporte. Esta obra adopta una estructura de
árbol espacial para describir la apariencia del objeto de seguimiento, en el que un objeto
está representado por una revisión integral y algunos sub-partes. La configuración
espacial de los diferentes parches es considerado plenamente introduciendo la relación
espacial vectores en el proceso de capacitación y actualización del modelo. Wang et al.
[15] Aprender un modelo discriminativo entre el objetivo y el contexto, y explotar un
algoritmo SVM en línea con la esperanza de discriminar el destino desde el contexto de
parches. Recientemente, filtros de correlación (CFs) métodos basados en hacer un gran
avance en la tarea de seguimiento, Liu et al. [9] Explotar las ventajas de CSA a aprender
múltiples filtros de correlación basados en parches y obtener varios mapas de respuesta
y, a continuación, propuso un método de ponderación adaptable para fusionar estos
mapas de respuesta para el seguimiento de objetos.
 En este capítulo, queremos hacer dos intentos para explotar los modelos locales para
resolver el problema del rastreo. En primer lugar, debemos considerar el seguimiento
como un local de coseno similitud problemas coincidentes entre el destino y la plantilla de
candidatos. Sobre la base de esta configuración, presentamos un método eficaz para
mejorar la capacidad discriminativa por el aprendizaje discriminativo pesos locales. En
segundo lugar, presentamos un algoritmo de seguimiento eficaces sobre la base de
gruesos y finos locales estructurales Modelos de apariencia dispersa con actualización
adaptable. Este método aprovecha tanto estructurales e información local de objetos de
destino por el promedio y la agrupación de alineación.

3.2 Seguimiento visual basado en la similitud local

Coseno Local ponderada semejanza (WLCS Weighted Local Cosine Similarity):
coseno similitud es una medida de similitud entre dos vectores de un espacio interno del
producto, la cual mide el coseno del ángulo entre ellos. El coseno similitud es muy común
utilizado en muchos campos, tales como la recuperación de la información, la coincidencia
de patrones, minería de datos, y así sucesivamente. Para el problema del rastreo, nos

indican que la plantilla del objeto de seguimiento. Dado un vector de imagen

observada de un candidato , el coseno similitud es definido como

(3.1).

Donde denota -norma. Observamos que el coseno similitud es uno de los métodos
de asignación global, por lo que generalmente es sensible a algunos impulsos de ruido
(por ejemplo, la oclusión parcial).
Motivado por las ideas de los modelos locales (secc. II.B), nos presentan una similitud
de coseno locales para lograr una buena coincidencia. En primer lugar, debemos

reorganizar el vector como candidato

La concatenación de M vector característica local , donde

denota un vector columna que representa la i-ésima bloque local de la imagen

y . Asimismo, la plantilla puede ser representada en la misma manera como un

vector columna por sus bloques. A continuación, la similitud de coseno local puede
definirse como

(3.2)
 El local donde las medidas de similitud entre y .
Fig. 3.1. Un ejemplo de juguete de buenos y malos candidatos para la comparación de
plantillas.

La figura 3.1 muestra un ejemplo de juguete de los buenos y los malos candidatos
para la plantilla coincidente con oclusión parcial. Una sola plantilla se muestra en la Fig.
3.1B. La figura 3.1c, d mostrar buenos y malos candidatos (se muestra en los cuadros rojo

y azul respectivamente). Nos denotan la plantilla como , los buenos y los malos

candidatos como candidata, respectivamente. Podemos ver que,

en este ejemplo, lo que significa que el mal candidato es seleccionado si el coseno
similitud es aprobado para la plantilla correspondiente. Por otro lado, el buen candidato es
seleccionado () cuando el coseno local similitud es utilizado. Aquí, utilizamos

bloques (es decir, ) para calcular el coseno

local la similitud. Tomamos nota de que la similitud de coseno local es más eficaz que el
coseno similitud en el manejo de la oclusión parcial.
Para uso general, introducimos el coseno local ponderada semejanza (WLCS) que se
define como

(3.3)

Donde es un peso positivo de la i-ésima componente que satisfaga . En la

observación, podemos ver que tanto el coseno similitud y semejanza de coseno locales
pueden ser vistos como casos especiales de la ponderación de la similitud de coseno

local mediante la elección de diferentes pesos.

 Comentario: Tanto el coseno similitud (eq. 3.1) Y coseno local similitud (eq. 3.2)
Pueden ser vistos como casos especiales de la similitud de coseno local ponderada (eq.
3.3) Mediante la elección de diferentes pesos.
(1) El coseno similitud puede considerarse como un caso especial de la similitud de
coseno local ponderada adoptando proporciones de brillo local como ponderación. La
siguiente ecuación proporciona una explicación detallada.

(3.4)

Donde , y . Puede observarse que el

coseno similitud intrínsecamente asigna mayor peso a los componentes locales con
mayor proporción de brillo, las imperfecciones de que son dos pliegues. Primero, un
componente más brillante no significa que sea más importante o discriminativa para

patrones. En segundo lugar, si un candidato sufre algunos ruidos de impulsos (p. ej.,
oclusiones parciales y locales), todos los cambios de iluminación Brillo local relación

puede cambiar significativamente. Como estos cambios son aleatorios e

impredecibles, el coseno similitud generalmente no es eficaz en el tratamiento de los
ruidos de impulsos.

(2) eligiendo los pesos uniforme (es decir, ), el coseno local

ponderada de similitud es reducido a la similitud de coseno local. Cuando algunos ruidos
de impulsos ocurren, los cambios en algunos componentes locales no afectan a los
componentes que no sufren de ruidos de impulsos. Así, puede restringir la influencia
negativa de un componente local con errores en lugar de todos los componentes.
(3) la similitud de coseno local ponderada (WLCS) puede ser generalizado por pesos
de aprendizaje cuando es utilizado para un propósito especial. La siguiente subsección
introducirá a aprender discriminativa pesas para el problema del rastreo.