高斯加权的多分类器物体追踪

？针对在物体外观快速变化的情况下，大多数弱学习器不能捕获物体新的特征分布，导致追踪失败的问题，提出了高斯加权的联机多分类器增强算法。该算法为每一个领域问题定义一个弱分类器，每个弱分类器包括一个简单的视觉特征和阈值，引入高斯加权函数来权衡每个弱分类器在特定样本上的贡献，通过多分类器联合学习来提高追踪性能。在物体追踪过程中，联机多分类器在对物体定位的同时还能估计物体的姿态，能够成功地学习多模态外观模型，在物体外观快速变化的情况下追踪物体。实验结果表明：所提算法在经过一个较短序列的训练后，平均追踪错误率为12.8%，追踪性能明显提升。