Aprendizaje de Métrica Adaptativa para Seguimiento Visual Robusto

Igualar las apariencias visuales del objetivo a lo largo de fotogramas consecutivos de imagen es el problema más crítico en el seguimiento de objetos basado en video. Elegir una métrica de distancia apropiada para el emparejamiento determina su precisión y robustez, y por lo tanto influye significativamente en el rendimiento del seguimiento. La mayoría de los métodos de seguimiento existentes emplean métricas de distancia predefinidas fijas. Sin embargo, este tratamiento simple es problemático y limitado en la práctica, porque una métrica predefinida no garantiza que el emparejamiento más cercano sea el verdadero objetivo de interés. Este documento presenta un nuevo enfoque de seguimiento que incorpora el aprendizaje de métricas adaptativas en el marco del seguimiento visual de objetos. Al recopilar un conjunto de muestras de entrenamiento supervisado sobre la marcha en el video observado, este nuevo enfoque aprende automáticamente la métrica de distancia óptima para un emparejamiento más preciso. El diseño de la métrica aprendida asegura que el emparejamiento más cercano tenga una alta probabilidad de ser el verdadero objetivo de interés basado en el entrenamiento supervisado. Tal métrica aprendida es discriminativa y adaptativa. Este documento sustancia este nuevo enfoque en un sólido estudio de caso de seguimiento diferencial de métrica adaptativa y obtiene una solución analítica en forma cerrada para la estimación de movimiento y seguimiento visual. Además, este documento extiende el método básico de aprendizaje de métricas de distancia lineales a un método de aprendizaje de métricas de núcleo no lineales más poderoso. Experimentos extensivos validan la efectividad del enfoque propuesto y demuestran la mejora en el rendimiento del nuevo método de seguimiento propuesto.