基于2DPCA与稀疏表示的目标跟踪

为了提高目标跟踪的准确性,针对目标跟踪过程中光照变化、遮挡、姿势变化等问题,提出了基于二维主成分分析(2DPCA)与稀疏表示的目标跟踪算法.在贝叶斯框架中使用了2DPCA与L2规范化呈现快速与鲁棒的目标跟踪算法.提出了新的似然函数表示方法,同时采用增量子空间学习的方法对冗余字典进行更新,有效抑制了跟踪漂移并能处理目标遮挡问题.通过对具有挑战性的跟踪视频进行定性和定量分析,实验结果证明:跟踪方法在跟踪精度上优于传统方法.     

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。     

鲁棒低秩稀疏表示的在线目标跟踪

为提高目标跟踪的准确性,针对当前目标跟踪算法因光照、遮挡以及姿态变化等因素引起的漂移问题,提出一种鲁棒低秩稀疏表示的在线目标跟踪算法(LRSP)。以粒子滤波作为目标跟踪的基本框架,通过联合采用低秩矩阵恢复和稀疏表示,发现连续帧和密集粒子之间潜在结构信息,降低数据维度,减少计算复杂度,提高目标跟踪的准确性。实验结果表明,相对于其它目标跟踪算法,LRSP算法可以更准确地跟踪目标,对光照和姿态变化具有良好的鲁棒性,对于严重遮挡目标跟踪问题具有明显优势。     

帧间连续结构稀疏表示的目标跟踪算法

目标跟踪技术在日常生活和生产中有着广泛的应用,但是设计一种具有鲁棒性、准确性和实时性的跟踪算法仍具有很大的难度。为了提高跟踪算法的性能,设计了一种帧间连续结构稀疏表示目标跟踪算法。该算法在粒子滤波框架下进行,采用结构稀疏表示的原理重构候选目标。首先采用目标和背景样本构建稀疏字典, 以提高算法对目标和背景的区分能力。然后,构建含有帧间连续约束项的结构稀疏表示目标方程,该目标方程可以有效利用目标状态的连续性来确定目标状态。进而,根据重构残差设计了一种相似度描述方法,与传统方法相比,该方法对相似目标不敏感。最后,通过6组对比实验证明该算法具有较高的鲁棒性和准确性。     

稀疏编码目标跟踪方法研究

针对稀疏表示用于目标跟踪时存在重构误差表示不够精确、目标模板更新错误等问题,提出一种改进的稀疏编码模型。该模型无需重构误差满足特定的先验概率分布,且加入对编码系数的自适应约束,可以取得更优的编码向量,使得跟踪结果更为准确。在此基础上,将这种改进的编码模型与粒子滤波目标跟踪算法相结合,研究并实现一种新的基于鲁棒稀疏编码模型的目标跟踪方法。该方法对每个粒子的采样区域进行编码,用所得的稀疏编码向量作为当前粒子的观测量,并采用目标模板分级更新策略,使得目标模板更加准确。实验结果表明,方法可以较好地解决目标部分遮挡和光照变化等干扰下的目标跟踪问题。     

联合模板先验概率和稀疏表示的目标跟踪

目的 虽然基于稀疏表示的目标跟踪方法表现出了良好的跟踪效果,但仍然无法彻底解决噪声、旋转、遮挡、运动模糊、光照和姿态变化等复杂背景下的目标跟踪问题。针对遮挡、旋转、姿态变化和运动模糊问题,提出一种在粒子滤波框架内,基于稀疏表示和先验概率相结合的目标跟踪方法。方法 通过先验概率衡量目标模板的重要性,并将其引入到正则化模型中,作为模板更新的主要依据,从而获得一种新的候选目标稀疏表示模型。结果 在多个测试视频序列上,与多种流行算法相比,该算法可以达到更好的跟踪性能。在5个经典测试视频下的平均中心误差为6.77像素,平均跟踪成功率为97%,均优于其他算法。结论 实验结果表明,在各种含有遮挡、旋转、姿态变化和运动模糊的视频中,该算法可以稳定可靠地跟踪目标,适用于视频监控复杂场景下的目标跟踪。     

基于稀疏表示的相关滤波目标跟踪算法

针对相关滤波跟踪算法在目标形变、背景干扰等复杂场景下,易受干扰特征影响导致跟踪失败的问题,提出了基于稀疏表示的相关滤波目标跟踪算法。该算法将稀疏表示与相关滤波相结合,在目标函数中引入L1范数惩罚项,使训练出的相关滤波器只含有目标的关键特征,同时根据相关滤波系数的空间位置为其分配不同的惩罚参数,并采用交替方向乘子法（alternating direction method of multipliers,ADMM）求解相关滤波器。实验结果表明：该算法在三个常用数据集上,与五种相关滤波跟踪算法相比,具有最高的精确度和成功率,且对复杂场景中的干扰特征具有良好的鲁棒性,同时能够满足目标跟踪实时性的要求。     

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。     

具有融合罚约束的低秩结构化稀疏表示目标跟踪算法

现有的低秩稀疏表示目标跟踪算法在目标突然运动和严重遮挡等情况下,经常出现跟踪漂移现象.为此,提出一种具有融合罚约束的低秩结构化稀疏表示目标跟踪算法.首先,利用混合${L_{1,2     

判别稀疏表示与在线字典学习的运动目标跟踪

针对传统稀疏表示不能有效区分目标和背景的缺点,提出一种判别稀疏表示算法,这种算法在传统稀疏表示目标函数中加入一个判别函数,大大降低干扰因素对目标跟踪的影响。基于判别稀疏表示和[?1]约束,提出一种在线字典学习算法升级目标模板,有效降低背景信息对目标模板的影响。提取目标梯度方向的直方图（HOG）特征,利用其对光照和形变等复杂环境具有较强鲁棒性的优点,实现对目标更稳定的跟踪。实验结果表明,与现有跟踪方法相比,该算法的跟踪效果更好。     

变分调整约束下的反向低秩稀疏学习目标跟踪

目的 低秩稀疏学习目标跟踪算法在目标快速运动和严重遮挡等情况下容易出现跟踪漂移现象,为此提出一种变分调整约束下的反向低秩稀疏学习目标跟踪算法。方法 采用核范数凸近似低秩约束描述候选粒子间的时域相关性,去除不相关粒子,适应目标外观变化。通过反向稀疏表示描述目标表观,用候选粒子稀疏表示目标模板,减少在线跟踪中L₁优化问题的数目,提高跟踪效率。在有界变差空间利用变分调整对稀疏系数差分建模,约束目标表观在相邻帧间具有较小变化,但允许连续帧间差异存在跳跃不连续性,以适应目标快速运动。结果 实验利用OTB（object tracking benchmark）数据集中的4组涵盖了严重遮挡、快速运动、光照和尺度变化等挑战因素的标准视频序列进行测试,定性和定量对比了本文算法与5种热点算法的跟踪效果。定性分析基于视频序列的主要挑战因素进行比较,定量分析通过中心点位置误差（central pixel error,CPE）比较跟踪算法的精度。与CNT（convolutional networks training）、SCM（sparse collaborative model）、IST（inverse sparse tracker）、DDL（discriminative dictionary learning）和LLR（locally low-rank representation）算法相比,平均CPE值分别提高了2.80、4.16、13.37、35.94和41.59。实验结果表明,本文算法达到了较高的跟踪精度,对上述挑战因素更具鲁棒性。结论 本文提出的跟踪算法,综合了低秩稀疏学习和变分优化调整的优势,在复杂场景下具有较高的跟踪精度,特别是对严重遮挡和快速运动情况的有效跟踪更具鲁棒性。     

改进型稀疏分类鲁棒目标跟踪算法

针对当前基于稀疏分类的目标跟踪算法跟踪精度较低等问题,结合判别分析思想,提出改进型稀疏跟踪算法。采用基于在线学习的标准对冲算法估算目标的位置以及面积,并详细介绍了标准对冲算法原理。对于在跟踪过程中目标外形改变的问题,提出了基于时序循环的模板更新方法。对目标暂时消失或被完全遮挡时会产生跟踪失败的问题,创造性地提出了基于稀疏分类器网格SCG的合作跟踪框架。进行了两类实验,第一类实验验证了该算法的有效性。第二类实验在大量公共图像序列的基础上对该算法及其他图像跟踪算法进行测试比较。实验结果证明,该算法适用于复杂背景下的跟踪任务,在跟踪失败后能自动恢复跟踪,在目标被部分遮挡、长期遮挡或目标与背景有相似特征模式的情况下都能保持较高的跟踪精度。     

基于联合模板稀疏表示的目标跟踪方法

针对传统基于稀疏表示的目标跟踪方法中, 当场景中含有与目标相似的背景时容易出现跟踪漂移的问题, 提出一种新的目标跟踪方法. 该方法基于目标的局部二元模式特征, 将目标外观模型同时用原始目标模板与当前帧部分粒子构成的联合模板稀疏表示, 构建一个联合目标函数, 将跟踪问题通过迭代转化为求解最优化问题. 实验结果表明, 所提出跟踪方法在解决遮挡、光照等问题的同时, 对场景中含有与目标相似背景的序列具有较好的跟踪效果.

     

基于稀疏表示和特征选择的LK目标跟踪

为了实现复杂场景中的视觉跟踪, 提出了一种以LK（Lucas-Kanade）图像配准算法为框架, 基于稀疏表示的在线特征选择机制。在视频序列的每一帧, 筛选出一些能够很好区分目标及其相邻背景的特征, 从而降低干扰对跟踪的影响。该算法分别构造前景字典和背景字典, 前景字典来自于第一帧的手动标定, 并随着跟踪结果不断更新, 而背景字典则在每一帧重新构造。同时, 一种新的字典更新策略不仅能有效应对目标的外观变化, 而且通过特征选择机制, 能避免在更新过程中引入干扰, 从而克服了漂移现象。 大量的实验结果表明, 该算法能有效应对视角变化、光照变化以及大面积的局部遮挡等挑战。     

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。     

稀疏表示的Lucas-Kanade目标跟踪

提出一种新的目标跟踪算法,将稀疏表示应用于LK(Lucas-Kanade)图像配准框架.通过最小化校准误差的L1范数来求解目标的状态参数,从而实现对目标的准确跟踪.对目标同时建立两个外观模型:动态字典和静态模板,其中动态模型由动态字典的稀疏表示来描述目标外观.为了解决由于动态字典不断更新造成的跟踪漂移问题,一个两阶段迭代机制被采用.两个阶段所采用的目标模型分别为动态字典和静态模板.大量的实验结果表明,本文算法能有效应对外观变化、局部遮挡、光照变化等挑战,同时具有较好的实时性.     

矩阵低秩表示的目标跟踪算法

目的 目标跟踪中,遮挡、强烈光照及运动模糊等干扰对跟踪精度的影响较大,其为目标外观的观测建模精度带来一定的困难。此外,很多现有算法在观测建模中都以向量形式表示样本数据,使得样本数据原有结构及其各像素的潜在关系被有意改变,从而导致观测模型数据维度及计算复杂度的提高。方法 本文通过深入研究跟踪框架的观测建模问题,提出一种新颖的基于矩阵低秩表示的观测建模方法及其相应的似然度测度函数,使得跟踪算法能够充分挖掘样本数据的潜在特征结构,从而更加精确探测目标在遮挡或强烈光照等各种复杂干扰下的外观变化。同时,以矩阵形式表述样本信号的数据格式,使得其视觉特征的空间分布保留完好,并有效降低数据维度和计算复杂度。结果 本文跟踪算法在富有挑战性干扰因素的跟踪环境中体现出更为鲁棒的跟踪性能,能够较好地解决跟踪中遮挡或强烈光照所引起的模型退化和漂移等问题。在10个经典测试视频中,本文跟踪算法的平均中心点误差为5.29像素,平均跟踪重叠率为78%,平均跟踪成功率为98.28%,均优于其他同类算法。结论 本文以2维矩阵数据原型为载体,提出了一种新的多任务观测建模框架和最大似然度估计模型。实验数据的定性与定量分析结果表明,本文算法与一些优秀的同类算法相比,其跟踪建模精度达到相同甚至更高的水平。     

融合残差Unscented粒子滤波和区别性稀疏表示的鲁棒目标跟踪

（目的）提出一种鲁棒的目标跟踪算法,将区别性稀疏表示模型应用于残差Unscented粒子滤波(RUPF)跟踪框架,从而实现对目标高效准确的跟踪。（方法）利用Unscented卡尔曼(UKF)滤波技术将目标的量测信息引入提议分布,并使用马尔科夫蒙特卡洛(MCMC)移动改进采样结果,提高了滤波的精度,同时有效防止了粒子的退化和贫化。基于稀疏表示建立区别性的目标观测模型,引入的背景成分可以增强算法分辨目标与背景的能力。采用可变方向乘子法(ADMM)解决稀疏表示中的L1优化问题,有效的提升了算法的执行效率。（结果）通过和其它跟踪算法一起对标准测试视频进行的大量定性与定量的实验表明,本文提出的跟踪算法的跟踪精度高于一些常见的跟踪算法,同时其时间复杂度低于传统的几种基于稀疏的跟踪算法。（结论）随着硬件技术的不断发展,UKF滤波技术的速度不断提升,保证了本文算法可以在较高准确率下有更快的执行速度。