光照变化下基于逆向稀疏表示的视觉跟踪方法

针对光照变化引起目标跟踪性能显著下降的问题,该文提出一种联合优化光照补偿和多任务逆向稀疏表示的视觉跟踪方法。首先基于模板与候选目标的平均亮度差异对模板实施光照补偿,并利用候选目标逆向稀疏表示光照补偿后的模板。而后将所得多个关于单模板的优化问题转化为一个关于多模板的多任务优化问题,并利用交替迭代方法求解此多任务优化问题以获得最优光照补偿系数矩阵以及稀疏编码矩阵。最后利用所得稀疏编码矩阵快速剔除无关候选目标,并采用局部结构化评估方法实现目标精确跟踪。仿真结果表明,与现有主流算法相比,剧烈光照变化情况下,所提方法可显著改善目标跟踪精度及稳健性。     

光照变化下基于稀疏表示的视觉跟踪算法研究

为提高光照变化下目标跟踪算法的精度和鲁棒性,基于稀疏表示理论,提出一种光照补偿和多任务稀疏表示联合优化算法。该算法首先根据目标模板与候选目标的平均亮度差异对目标模板光照补偿,而后利用候选目标构建过完备字典以稀疏表示光照补偿后的目标模板,并将所得问题转化为一个多任务优化问题,然后利用所得稀疏编码矩阵快速剔除无关候选目标,最后基于重构误差对剩余候选目标进行局部结构化评估,进而实现目标的精确跟踪。实验结果表明,与现有主流算法相比,剧烈光照变化情况下,所提方法可显著改善目标跟踪精度及鲁棒性。     

光照变化下基于低秩稀疏表示的视觉跟踪方法

针对光照变化引起目标跟踪性能显著下降的问题,提出一种光照补偿和低秩稀疏表示联合优化的视觉跟踪方法。该方法首先基于模板与候选目标的平均亮度差异对模板光照补偿;而后利用候选目标逆向稀疏表示模板,并考虑候选目标间相似性以对稀疏编码矩阵实施低秩约束,且包含稀疏误差项以提高算法对局部遮挡的稳健性,从而获得光照补偿和低秩稀疏表示联合优化模型;最后,基于该模型所得稀疏编码矩阵快速剔除无关候选目标,并采用局部结构化评估方法实现目标精确跟踪。仿真结果表明,与现有主流算法相比,剧烈光照变化情况下,本文方法可显著改善目标跟踪精度及鲁棒性。     

利用判别字典学习的视觉跟踪方法

针对复杂背景及遮挡等引起目标跟踪性能显著下降的问题,提出一种目标跟踪方法。该方法首先根据目标时空局部相关性获取目标及背景样本。而后建立字典学习模型:基于误差项捕获遮挡等产生的异常值,利用极大极小凹加函数惩罚稀疏编码及误差矩阵,且对字典施加不一致约束项以提高字典的鲁棒性和判别性。针对所构建的非凸字典学习优化问题,利用优化最小化方法对其求解以获得较好的收敛性。最后,由所得判别字典计算候选目标的重构误差以构建目标观测模型,并基于贝叶斯推理框架实现目标精确跟踪。仿真结果表明,与现有主流算法相比,所提方法在复杂环境下可显著地提高目标跟踪的精度及鲁棒性。