论文部分内容阅读
判别式目标跟踪时在线分类在每一次的学习与更新过程中都可能会引入错误,最终错误的累积将导致跟踪失败。提出一种基于梯度提升决策树在线分类框架上的目标跟踪算法,采用DCNN深度特征有效地表征待跟踪目标的初始状态,通过在线分类过程中样本相似性比对与半监督学习,有效解决在线学习过程中存在的自学习问题。所提目标跟踪DS-BGBDT算法特别适合训练样本为持续获得的、存储空间较小的机器学习过程,提高目标运动突变、局部遮挡与跟踪区域形变等复杂情况下的跟踪成功率。