样本分块稀疏表示判决式目标跟踪

为了提高目标跟踪算法的鲁棒性和准确性,提出了一种粒子滤波框架下的样本分块稀疏表示判决式跟踪算法。算法在首帧提取目标模板和背景模板,并将这些模板进行分块,构建模板字典。然后,将候选目标进行分块处理,并使用模板字典稀疏重构候选目标分块,从而获得候选目标的稀疏系数和残差。进而,构建一款贝叶斯分类器,分类器的输入为候选目标稀疏系数和残差中提取的相似度信息,输出为候选目标与真实目标的相似度。分类器通过跟踪过程中获得的正负样本进行训练,使之能够适应目标和背景的变化。最后,将文中算法在8组具有挑战性的视频中进行测试,平均跟踪误差为5.9个像素,跟踪成功率为89%。与选取的3种先进的算法比较,本文算法具有更高的鲁棒性和准确性。     

余弦权重逆稀疏框架视频目标跟踪算法

针对目标跟踪的遮挡与局部形变,提出局部余弦相似度训练权重的逆稀疏视觉目标跟踪策略。借鉴参数空间的粒子滤波的核心思想,以逆稀疏表示为理论框架,用候选目标重构模板获得候选目标的稀疏表示系数,依据表示系数分布特征筛选出最佳候选目标。为克服遮挡影响,引入新的目标函数构建模板的局部块判别能力：计算正负样本与模板之间的局部余弦相似度差值,利用二次优化,更新具有判别能力的权重。依据权重信息综合进行有选择的模板更新,避免模板更新的无效性。多组实验结果表明,该算法在部分遮挡等复杂环境下,仍然可以准确地跟踪目标,相比已有算法具有自己的优势。     

基于稀疏表示的目标跟踪方法

提出了一个新的基于稀疏表示的目标跟踪方法.在粒子滤波框架下,将目标模板线性表示为所有目标候选的线性组合.当假设目标候选中存在与目标模板相似的候选时,线性表示的系数满足稀疏性约束,可以通过(L)1范式最小化求解.每一个目标候选在线性表示中的系数反映了该候选与目标模板的相似程度,因此可以将系数作为目标候选的权重.目标跟踪的结果为权重最大的候选.实验结果表明本文提出的算法比文献中现有的基于(L)1范式最小化的跟踪方法性能更稳定、计算效率更高.     

结构稀疏表示分类目标跟踪算法

为提高目标跟踪算法在复杂条件下的鲁棒性和准确性,研究了一种基于贝叶斯分类的结构稀疏表示目标跟踪算法。首先通过首帧图像获得含有目标与背景模板的稀疏字典和正负样本;然后采用结构稀疏表示的思想对样本进行线性重构,获得其稀疏系数;进而设计一款贝叶斯分类器,分类器通过正负样本的稀疏系数进行训练,并对每个候选目标进行分类,获得其相似度信息;最后采用稀疏表示与增量学习结合的方法对稀疏字典进行更新。将该算法与其他4种先进算法在6组测试视频中进行比较,实验证明了该算法具有更好的性能。     

多特征联合的稀疏跟踪方法

针对目标跟踪中单一特征描述目标能力较弱的情况,提出一种多种特征联合的稀疏表示跟踪方法。在粒子滤波框架下,首先,提取目标模板和候选粒子的多种特征并对其进行核化处理;然后,用字典模板对各候选粒子进行联合稀疏表示,采用可核化的加速近端梯度(KAPG)方法求解稀疏系数并实现候选粒子的重构;最后,将具有最小重构误差的粒子作为跟踪结果。跟踪过程中,利用子空间学习的方法实现目标模板的更新。实验结果表明,与现有跟踪算法相比,该算法提高了跟踪精度,并在目标存在遮挡、光照变化、运动突变等情况时,均可以取得较好的跟踪效果。     

软判决稀疏字典的目标跟踪算法

为提高视频目标跟踪算法的鲁棒性,提出一种基于在线更新稀疏模板的自适应参数特征判别跟踪算法.该算法采用离线方式训练出基于方向梯度直方图特征的字典,用于目标表示和线性分类器训练,从而构建出非固定参数的观测模型;观测模型中动态调整的权重系数由采用正负模板构建形成的稀疏字典进行实时动态更新;将观测模型与粒子滤波相结合对当前帧的各候选采样进行观测,得出跟踪结果.实验结果表明,文中算法具有相对较好的鲁棒性.     

基于特征选择与时间一致性稀疏外观模型的目标追踪算法

为了更有效利用追踪目标的判别特征信息,提高目标追踪的精度和鲁棒性,在粒子滤波追踪框架下提出基于特征选择与时间一致性稀疏外观模型的目标追踪算法.首先,采集目标的正负模板和候选目标,根据特征选择模型对正负模板和候选目标进行特征选择,去除多余的干扰信息,得到关键的特征信息.然后,利用正负模板和候选目标的特征建立多任务稀疏表示模型,引入时间一致性正则项,促进更多的候选目标与先前帧的追踪结果具有稀疏表示的相似性.最后,求解多任务稀疏表示模型,得到判别稀疏相似图,获取每个候选目标的判别分,根据目标追踪结果更新正负模板.实验表明,即使在复杂的环境下,文中算法仍然比其它一些追踪算法具有更高的准确性.     

利用增广拉格朗日乘子的鲁棒跟踪算子

针对视频目标鲁棒跟踪问题,提出了一种基于稀疏表示的生成式算法。首先提取特征构建目标和背景模板,并利用随机抽样获得足够多的候选目标状态;然后利用多任务反向稀疏表示算法得到稀疏系数矢量构造相似度测量图,这里引入了增广拉格朗日乘子(ALM)算法解决L₁-min难题;最后从相似度图中使用加性池运算提取判别信息选择与目标模板相似度最高并与背景模板相似度最小的候选目标状态作为跟踪结果,该算法是在贝叶斯滤波框架下实现的。为了适应跟踪过程中目标外观由于光照变化、遮挡、复杂背景以及运动模糊等场景引起的变化,制定了简单却有效的更新机制,对目标和背景模板进行更新。对仿真结果的定性和定量评估均表明与其他跟踪算法相比,所提算法的跟踪准确性和稳定性有了一定的提高,能有效地解决光照和尺度变化、遮挡、复杂背景等场景的跟踪难题。     

局部模板更新逆向联合稀疏表示目标跟踪算法

逆向联合稀疏表示算法可充分利用跟踪过程中的时间相似性和空间连续性,但由于遮挡、光照变化等的影响,易出现跟踪漂移.为解决上述问题,提出一种基于局部模板更新逆向联合稀疏表示目标跟踪算法,其通过逆向局部重构目标模板集完成逆向联合稀疏表示.首先,在首帧初始化目标模板集,利用粒子滤波获取候选图像,并对其分块处理,构建逆向联合稀疏...     

一种结合空间信息和稀疏字典优化的目标跟踪算法

针对复杂场景中目标表观变化引起的跟踪漂移问题, 提出一种新的基于稀疏表示的目标跟踪算法. 该算法通过稀疏性和空间相关性正则约束得到一种优化的目标代价函数, 利用拉格朗日对偶理论和加速近端梯度方法完成字典优化, 并利用最大池化理论和空间金字塔方法得到降维的且包含更多空间信息的目标模板系数和候选样本系数. 实验结果表明, 所提出的算法在背景干扰、光照变化、形变、运动模糊、严重遮挡等多种复杂场景中都能取得较为鲁棒的跟踪效果.     

结合低维特征和在线加权MIL的目标跟踪算法

为了提高视频序列中目标跟踪的准确性,提出了结合低维Haar-like特征和在线加权多示例学习（OWMIL）的跟踪算法。将训练集中的图像进行剪裁,构建正负样本集。通过稀疏编码提取低维度的Haar-like特征来表示目标。通过这些正负样本的局部稀疏特征在线学习生成弱分类器集,并通过示例加权方法来促进学习过程,最终生成一个强分类器,用于测试视频中的目标跟踪。实验结果表明,该算法在旋转、光照和尺度变化等影响下取得了优异的效果。相比其他几种改进型多示例学习算法,提出的算法获得了更好的跟踪效果。     

判别稀疏表示鲁棒快速视觉跟踪

目的 L1跟踪对局部遮挡具有良好的鲁棒性,但存在易产生模型漂移和计算速度慢的问题。针对这两个问题,该文提出了一种基于判别稀疏表示的视觉跟踪方法。方法 考虑到背景和遮挡信息的干扰,提出了一种判别稀疏表示模型,并基于块坐标优化原理,采用学习迭代收缩阈值算法和软阈值操作设计出了表示模型的快速求解算法。结果 在8组图像序列中,该文方法与现有的4种经典跟踪方法分别在鲁棒性和稀疏表示的计算时间方面进行了比较。在鲁棒性的定性和定量比较实验中,该文方法不仅表现出了对跟踪过程中的多种干扰因素具有良好的适应能力,而且在位置误差阈值从0~50像素的变化过程中,其精度曲线均优于实验中的其他方法;在稀疏表示的计算时间方面,在采用大小为16×16和32×32的模板进行跟踪时,该文算法的时间消耗分别为0.152 s和0.257 s,其时效性明显优于实验中的其他方法。结论 与经典的跟踪方法相比,该文方法能够在克服遮挡、背景干扰和外观改变等诸多不良因素的同时,实现快速目标跟踪。由于该文方法不仅具有较优的稀疏表示计算速度,而且能够克服多种影响跟踪鲁棒性的干扰因素,因此可以将其应用于视频监控和体育竞技等实际场合。     

改进稀疏表示模型的目标跟踪

针对受到光照、遮挡及姿态变化等引起的目标外观发生变化时,目标跟踪的鲁棒性和准确性较差的问题,将稀疏表示引入到粒子滤波框架进行目标跟踪,提出一种稀疏协同模型。首先,在目标运动定位模型中,使用灰度强度值表示目标对象;其次,判别模型通过训练正负模板集获得最优分类特征,并在生成模型中对目标直方图加权以提高目标生成效率;然后,将分类判别模型和生成模型集成在协同模型中,利用重构误差确定目标;最后,通过各模块独立更新,减少目标外观变化对目标跟踪的影响。实验结果表明,所提方法的平均中心误差仅为7.5像素,且具备良好的抗噪性和实时性。     

核函数带宽自适应的Mean-Shift跟踪算法

为了实现Mean-Shift跟踪算法中的核函数带宽自适应更新,提出基于比较Bhattacharyya系数的新方法。首先用模板中心加权与目标边缘加权的直方图计算巴氏系数,跟踪时用候选目标边缘加权直方图与模板中心加权直方图计算新的巴氏系数,根据两个系数的大小对核带宽进行10%的缩放。实验表明,该方法有效克服了带宽只能缩小的问题,实现了跟踪窗对目标缩放的自适应性。     

基于梯度方向直方图特征的多核跟踪

提出了基于梯度方向直方图特征的多核跟踪算法, 对跟踪过程中的光线变化和部分遮挡具有较强的鲁棒性. 该算法将目标分块, 分别提取出每块的核函数加权的梯度方向直方图特征. 目标模型和候选目标模型的相似度用所有块直方图间的Bhattacharyya系数之和进行度量, 目标的跟踪通过Mean shift算法最大化两者的相似度实现. 对车辆、人体等多个目标的跟踪验证了本文提出算法的有效性.     

基于超像素和判别稀疏的运动目标跟踪算法

针对目标遮挡、非刚性变换、光照变换等因素干扰产生的漂移问题,提出基于超像素和判别稀疏的运动目标跟踪算法。算法首先利用SLIC方法对运动目标的观测区域进行超像素分割,然后通过K-Means算法构建包含目标和背景的超像素字典,再基于判别稀疏表示和[?1]范数最小化框架求解候选目标的稀疏系数,同时结合粒子滤波框架和在线字典更新策略完成目标跟踪。实验结果表明,该算法在多种因素干扰的环境中具有较强的鲁棒性,能够准确稳定地进行在线目标跟踪。     

基于卷积神经网络优化TLD运动手势跟踪算法

针对TLD（Tracking-Learning-Detection）算法在光照变化不均、遮挡严重、跟踪目标模糊等情况下会出现跟踪失败的问题，提出一种基于卷积神经网络优化TLD运动手势跟踪算法。选取手势特征作正样本，其背景作负样本，获取手势HOG特征并投入到卷积神经网络中加以训练，得到手势检测分类器，从而确定目标手势区域，实现手势的自动识别；再利用TLD算法对手势进行跟踪与学习，对正负样本进行估计检测并实时校正，同时运用SURF特征匹配更新跟踪器。实验结果验证，该算法对比TLD经典算法跟踪精度提高了4.24%，增强了运动手势的跟踪效果，相比经典跟踪算法拥有更高鲁棒性。