Seguimiento Visual Bajo Blur de Movimiento

La mayoría de los algoritmos de seguimiento existentes no consideran explícitamente el blur de movimiento presente en las secuencias de video, lo que degrada su rendimiento en aplicaciones del mundo real donde el blur de movimiento ocurre con frecuencia. En este artículo, proponemos resolver el problema del blur de movimiento en el seguimiento visual dentro de un marco unificado. Específicamente, se presenta un marco de estimación conjunta del estado de blur y aprendizaje inverso escaso multi-tarea, donde se obtiene simultáneamente la solución en forma cerrada del núcleo de blur y la matriz de código escaso. El proceso inverso considera los candidatos borrosos como elementos de diccionario y representa escasamente las plantillas borrosas con los candidatos. Al utilizar la información contenida en la matriz de código escaso, se desarrolla un modelo de verosimilitud eficiente que rápidamente excluye candidatos irrelevantes y reduce la escala de partículas. Los resultados experimentales en los desafiantes puntos de referencia muestran que nuestro método funciona bien frente a los rastreadores de última generación.