《中國人工智能學會通訊》——11.68 基于錨點标簽傳播的判别式跟蹤 方法

在跟蹤中，物體的表觀通常是連續不斷的變化且不可能是獨立同分布的。一個魯棒的判别式跟蹤算法通常需要大量的有标簽樣本來拟合目标表觀潛在的資料分布。然而，精确的有标簽樣本通常隻來自于第一幀，是以數量有限。為了擷取更多的有标簽樣本，大多數算法都是利用目前幀的跟蹤結果加較小的擾動 ( 通常是一兩個像素 ) 提取正樣本，在遠離跟蹤結果的區域中提取負樣本。一旦跟蹤結果不精确就容易造成标簽配置設定不準确，誤差累積會使分類器的性能下降進而跟丢目标。在無需假設任何資料分布的情況下，能否利用少量的标簽樣本訓練得到比較魯棒的判别式表觀模型？

本節提出了一種基于錨點标簽傳播 (landmark-based label propagation, LLP) 的判别式跟蹤方法。圖 1 為基于标簽傳播的判别式跟蹤架構示意圖。在該方法中，所有樣本都看作是圖節點，邊表示樣本之間的相似性（或者親近程度）。在每一幀中，由粒子濾波預測得到的候選區域都看作是無标簽的樣本。它與樣本池中其他樣本共同組成新的圖結構用來訓練分類器。每個樣本的标簽可以表示成錨點标簽的權重和。采用局部錨點近似的方法，本節設計了一種有效且高效的樣本間鄰接矩陣求解政策，并且優化融合拉普拉斯正則項的标簽預測目标函數來計算錨點的标簽值。這樣，根據每個樣本與錨點的映射關系及錨點的标簽值，LLP 可以計算出每個樣本的軟标簽值。在貝葉斯推理架構下，軟标簽預測值最高的候選目标将被視為最終的跟蹤結果。LLP可以有效地将少量的初始标簽傳播給其他大量的無标簽資料，非常符合目标跟蹤的需求。

LLP 的核心思想就是每個樣本的标簽值可以表示成其近鄰錨點标簽值的線性組合。為此，本節采用局部錨點近似的政策建構所有樣本間的鄰接矩陣。并且拉普拉斯正則項也被整合在标簽預測的目标函數中，以便保留樣本的局部幾何結構。保留局部的幾何結構資訊能使本節所提出的跟蹤算法具有更好的判别力進而适應表觀變化。