Mean-Shift tracking is a popular al

Mean-Shift tracking is a popular algorithm for object tracking since
it is easy to implement and it is fast and robust. In this paper, we address the
problem of scale adaptation of the Hellinger distance based Mean-Shift tracker.
We start from a theoretical derivation of scale estimation in the Mean-Shift framework.
To make the scale estimation robust and suitable for tracking, we introduce
regularization terms that counter two major problem: (i) scale expansion caused
by background clutter and (ii) scale implosion on self-similar objects. To further
robustify the scale estimate, it is validated by a forward-backward consistency
check.
The proposed Mean-shift tracker with scale selection is compared with recent
state-of-the-art algorithms on a dataset of 48 public color sequences and it achieved
excellent results.

結果 (中文) 1:

Mean-Shift跟踪是一种流行的算法，用于目标跟踪，因为
是容易实现的，它是快速和强大。在本文中，我们解决问题
基于均值漂移跟踪器的Hellinger距离的规模适应。
我们从规模估计均值漂移框架的理论推导开始。
使规模估算强大，适合于跟踪，我们介绍
正规化条款应对两个主要问题：（一）规模扩张导致
由背景杂波及（ii）自相似对象规模内爆。进一步
robustify规模的估计，它是由一个前后一致
支票验证。
带刻度的选择建议的均值漂移跟踪与最近比较
国家的最先进的对48众彩序列数据集的算法，并取得了
优异的成绩。

結果 (中文) 2:

均值漂移跟踪是目标跟踪
以来它是很容易实现的一种算法是快速和强大的。在本文中，我们解决基于均值移动跟踪器Hellinger距离尺度自适应的
问题。我们从中
Mean-shift规模估计理论推导的开始。
使规模估计的鲁棒性和适合的跟踪，我们介绍
正规化条款计数器的两大问题：（我）的背景杂波，造成
规模扩张（Ⅱ）对自相似对象的规模内爆。为了进一步
robustify的规模估计，它是由一个前后一致性
检查验证。
提出的均值移动跟踪器尺度选择与最近的
相比对数据集的48个公共彩色序列状态的最先进的算法和实现
优异的成绩。

結果 (中文) 3:

均值移位跟踪是一种最受欢迎的对象跟踪以来算法
很容易实现，它是快速、 稳健。在本白皮书中我们处理
Hellinger 距离的规模适应问题根据均值移位跟踪器。
我们开始从理论推导的规模估计均值移位框架。
要使规模估计鲁棒和适当的跟踪，我们介绍
经常化的术语，计数器两个主要问题： (i) 规模扩张造成
由背景杂波和 (ii) 规模内爆自相似的对象上。进一步
robustify 的规模估计，它由向前向后的一致性验证
复选。
与最近相比是拟议的均值移位跟踪器与规模选择
48 公共颜色序列和它取得的数据集先进的算法
出色的结果。