Resumen

El seguimiento de objetos es una investigación fundamental en el campo de la visión por ordenador y ha atraído una gran atención en los últimos años. Sin embargo, los algoritmos tradicionales de seguimiento de objetos a menudo sufren el problema de la deriva del objeto debido a varios factores desafiantes en entornos complejos, como la oclusión del objeto y el desorden del fondo. Este trabajo propone un algoritmo de seguimiento de objetos robusto y eficaz, denominado MCM, que combina la detección compresiva y el aprendizaje de múltiples instancias en línea en un marco de fusión multiclasificador. En este marco, integramos los diferentes clasificadores discriminativos mediante el aprendizaje de vectores de características variados y comprimidos basados en diferentes matrices de proyección aleatorias. A continuación, se adopta un mecanismo mejorado de aprendizaje de instancias múltiples en línea SMILE, que introduce la similitud relativa para seleccionar y ponderar las instancias en la bolsa positiva. Los experimentos muestran que el algoritmo propuesto puede mejorar el rendimiento del seguimiento de objetos en secuencias de vídeo complejas.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:diferentes matrices de proyección aleatorias, mecanismo de aprendizaje de múltiples instancias en línea smile, algoritmos tradicionales de seguimiento de objetos, marco de fusión de clasificadores, vectores de características comprimidos, diferentes clasificadores discriminativos, múltiples instancias en línea, últimos años, algoritmo, objeto
• Keywords:different random projection matrices, online multiple instance learning mechanism smile, traditional object tracking algorithms, classifier fusion framework, compressed feature vectors, different discriminative classifiers, online multiple instance, past few years, algorithm, object