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。

     

基于稀疏稠密结构表示与在线鲁棒字典学习的视觉跟踪

L1跟踪对适度的遮挡具有鲁棒性,但是存在速度慢和易产生模型漂移的不足。为了解决上述两个问题,该文首先提出一种基于稀疏稠密结构的鲁棒表示模型。该模型对目标模板系数和小模板系数分别进行L2范数和L1范数正则化增强了对离群模板的鲁棒性。为了提高目标跟踪速度,基于块坐标优化原理,用岭回归和软阈值操作建立了该模型的快速算法。其次,为降低模型漂移的发生,该文提出一种在线鲁棒的字典学习算法用于模板更新。在粒子滤波框架下,用该表示模型和字典学习算法实现了鲁棒快速的跟踪方法。在多个具有挑战性的图像序列上的实验结果表明：与现有跟踪方法相比,所提跟踪方法具有较优的跟踪性能。     

基于稀疏表示模型的红外目标跟踪算法

针对红外图像序列中目标与背景的对比度低、灰度特征易受噪声影响等问题,提出了一种基于稀疏表示模型的红外目标跟踪算法。在粒子滤波的理论框架基础之上,采用目标在超完备字典中的稀疏表示作为观测模型,对红外目标进行描述,从而利用了图像的稀疏表示本身对噪声和遮挡不敏感的特性,可以有效地减弱背景杂波和噪声对跟踪算法的不利影响。此外,采用了一种在线学习的方法来完成对超完备字典中目标子空间的更新,使其不断地适应背景杂波、光照等各类因素引起的目标外观变化。实验结果表明所提出的算法是稳健和有效的。     

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L1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L1范式最小化的跟踪方法性能更稳定、计算效率更高。     

稀疏表示的超像素在线跟踪

目标表观变化的处理是视觉跟踪领域极具挑战性的问题,该文针对这一问题,在粒子滤波框架下提出一种高效的基于超像素的L1跟踪方法(SuperPixel-L1 tracker,SPL1)。首先利用具有结构性信息的中层视觉线索(超像素)构造字典来对目标的表观建模;然后求解由粒子表示的候选目标状态的L1范数最小化,把重构误差最小的候选状态作为跟踪的结果;最后进一步改进了字典的在线更新策略,不论目标发生遮挡与否,字典都被学习更新;为了降低目标发生漂移的可能,更新时保留初始帧的信息。仿真结果验证了SPL1在目标发生长时间遮挡、尺度和光照变化时依然能够稳定地跟踪目标。     

基于随机投影和稀疏表示的跟踪算法

针对目标跟踪过程中存在的诸多技术问题,该文提出一种鲁棒的目标跟踪方法。首先,该文采用基于稀疏表示的全局模板描述目标的表观状态,通过构造正负模板以区分目标和背景;然后采用随机投影法对表示模板和候选目标进行降维,以降低算法的时间复杂度;采用粒子滤波法作为目标的运动模型,通过多项式重采样方法进行粒子重采样,以保持粒子的多样性;设计了正负模板更新策略,将正模板分为固定集和更新集,对这两部分在相似度计算和正模板更新时采取不同的处理方法,并且在其中加入目标遮挡的判决机制,从而可以有效避免遮挡的影响;实验结果表明,该算法能够准确跟踪受遮挡、运动模糊等多种复杂场景的目标,与现有跟踪方法相比,所提算法具有更好的准确性和稳定性。     

基于稀疏表示多子模板的鲁棒目标跟踪算法

目标跟踪技术是一项富有挑战性的研究课题,在红外成像搜索、红外精确制导、智能监控、运动识别等领域有着广泛的应用。文中提出了一种基于稀疏表示多子模板的鲁棒目标跟踪算法。首先,提出一种基于自适应辨别信息的子模板选择方法,最大限度地捕捉目标的结构信息,提高模板子块的整体描述;针对直方图对光照敏感的缺点,引入了稀疏表示理论对子模板进行描述,提高模板子块的表达能力和适应能力;其次通过构造表决图的形式对目标位置进行表决和融合决策;最后设计了一种动态的子模板更新策略,来有效地应对目标外观模型的变化。在大量测试图像序列中的仿真实验表明,文中所提算法可以有效应对形变、光照变化、部分遮挡、完全遮挡以及虚假目标干扰和背景干扰,具有较高的鲁棒性。     

融合局部加权余弦与稀疏表示的目标跟踪算法

针对目标跟踪算法的鲁棒性难题,在粒子滤波框架下提出基于联合模型的目标跟踪算法。首先,由局部加权余弦相似对目标模板和候选目标进行匹配,其中的局部加权算法增加了未受遮挡、形变等影响的候选目标的权重;其次,通过对目标区域局部图像块稀疏编码来表示目标观测模型,其中字典不进行更新,重建误差的构建考虑了局部图像块之间的空间布局;最后,利用最大后验概率估计目标状态。联合模型将目标的当前状态和原始状态都考虑在内,提高了观测模型的可靠性。实验结果表明,该算法具有较强的鲁棒性。     

基于稀疏表示的红外小目标跟踪

针对云天背景下红外小目标跟踪易受噪声影响,传统目标模型对噪声敏感等问题,提出一种贝叶斯推理框架下使用稀疏表示建模红外小目标的跟踪算法。该算法结合目标模板向量和正负琐碎向量构建目标稀疏表示模型,在贝叶斯推理框架下使用图像子块系数向量的目标模板重构误差作为观测模型,实现小目标的跟踪。实验证明了算法的有效性和鲁棒性。     

基于稀疏表示的目标跟踪中字典更新算法

传统基于稀疏表示的目标跟踪方法,在目标背景复杂和严重遮挡等一系列场景中的跟踪效果较差,针对这一问题,提出一种基于稀疏表示的、可实时进行更新的字典模板,既保存了目标的原始外观,又可以体现出目标当下的形态,提高目标跟踪算法的性能。通过与不同的主流算法进行测试对比,证明该算法具有更高的准确性。     

基于局部敏感核稀疏表示的视频跟踪

为了解决l1范数约束下的稀疏表示判别信息不足的问题,该文提出基于局部敏感核稀疏表示的视频目标跟踪算法。为了提高目标的线性可分性,首先将候选目标的SIFT特征通过高斯核函数映射到高维核空间,然后在高维核空间中求解局部敏感约束下的核稀疏表示,将核稀疏表示经过多尺度最大值池化得到候选目标的表示,最后将候选目标的表示代入在线的SVMs,选择分类器得分最大的候选目标作为目标的跟踪位置。实验结果表明,由于利用了核稀疏表示下数据的局部性信息,使得算法的鲁棒性得到一定程度的提高。     

基于视觉显著图在线更新的结构反稀疏目标跟踪算法

为提高稀疏跟踪器性能,提出一种在贝叶斯推论框架下的基于视觉显著图的结构反稀疏在线目标跟踪算法。首先将基于马尔可夫(Markov)模型的关联性视觉显著度检测算法用于当前帧并计算目标模板的显著图,其次提出全局与局部分块的结构外观模型表示候选目标,将显著图映射回每一个局部块并计算出对应的自适应权重,最后提出联合全局与局部稀疏解的度量准则度量候选目标与目标模板的相似度,从而确立在贝叶斯框架下对目标状态最佳估计。在跟踪过程中,采用反稀疏表达方式一次求解优化问题计算出所有粒子权重来提高算法效率。实验结果表明,本文算法具有良好的鲁棒性和实时性。      

基于粒子滤波和稀疏表示的视频目标跟踪

文中将视频目标跟踪看成在粒子滤波框架下的稀疏表示问题,提出了具鲁棒性的视觉跟踪方法。在跟踪过程中,将目标的先验知识和目标状态及其观测结果联系起来构造贝叶斯概率模型,根据基本粒子滤波算法对目标位置进行估计。候选目标通过目标模板和琐碎模板稀疏表示,用l1范数稀疏正则化算法求解稀疏问题,选取具有最小残差的候选目标为跟踪结果。通过动态更新模板和非负性约束两种策略,使算法在目标遮挡、噪声、形变等各种干扰因素下,均达到了很好的跟踪性能。     

基于稀疏表示的红外图像去噪算法研究

红外图像具有动态范围窄、对比度低、易受噪声污染等缺点,传统红外图像去噪算法在去除噪声的同时也滤掉了图像细节。提出了一种基于稀疏表示的红外图像去噪新方法。该方法首先将原始红外图像进行聚类分析,再将每一聚类子图像分解成字典,由稀疏系数矩阵重构去噪后的红外图像。实验结果表明,该方法相比于传统红外图像去噪算法,能更好地保留图像的细节信息,视觉效果比较理想。     

基于稀疏表达的超像素跟踪算法

该文针对真实场景下视频跟踪过程中可能出现的目标形变、运动和遮挡等问题,该文分别构建了基于超像素局部信息的判别式模型和基于颜色与梯度全局信息的产生式模型,通过两者的结合提升了目标表观特征描述的可区分性和不变性;此外,提出一种基于稀疏主成分分析的更新策略,在更新特征字典的同时减少其冗余度,在判别式模型的更新阶段分别对每帧图像获得的跟踪结果进行二次判别从而避免漂移现象的发生。实验结果表明,与其它跟踪算法相比,该算法在应对目标姿态变化、背景干扰以及遮挡等复杂情况时具有更好的稳定性和鲁棒性。     

基于稀疏表示的人脸识别鲁棒性研究

针对人脸识别算法对光照变化敏感的问题,提出一种基于光照鲁棒稀疏表示的人脸识别方法。该方法对图像作小波变换,得到光照归一化图像,通过对光照归一化后人脸图像作稀疏变换,稀疏表示分类得出测试识别结果。本文方法在Yale B人脸库上仿真实验,识别率较高,对光照、表情、遮挡具有一定的鲁棒性。     

基于自适应深度稀疏网络的在线跟踪算法

视觉跟踪中,高效鲁棒的特征表达是解决复杂环境下跟踪漂移问题的关键。该文针对深层网络预训练复杂费时及单网络跟踪易漂移的问题,在粒子滤波框架下,提出一种基于自适应深度稀疏网络的在线跟踪算法。该算法利用ReLU激活函数,针对不同类型目标构建了一种具有自适应选择性的深度稀疏网络结构,仅通过有限标签样本的在线训练,就可得到鲁棒的跟踪网络。实验数据表明：与当前主流的跟踪算法相比,该算法的平均跟踪成功率和精度均为最好,且与同样基于深度学习的DLT算法相比分别提高了20.64%和17.72%。在光照变化、相似背景等复杂环境下,该算法表现出了良好的鲁棒性,能够有效地解决跟踪漂移问题。     

基于稀疏表示的MRI研究简介

磁共振成像技术(MRI)是一种方便快捷的医学诊断技术,本文对稀疏表示在MRI领域的应用研究进行了介绍。先介绍了稀疏表示的基本原理及解稀疏系数的一个匹配追踪算法。然后阐述了在MRI重构中两种主要的构造稀疏字典的方式:解析字典和训练字典,并分别介绍了这两种构造稀疏字典方式的MRI重构模型。     

基于鲁棒稀疏表示的人脸识别算法

提出了一种基于LBP算子和鲁棒稀疏表示的人脸识别方法。首先,提取训练样本和测试样本的LBP特征。其次,在原有稀疏表示分类器(SRC)的基础上添加一个权值矩阵W来解决l1正则化最小二乘问题。最后,利用鲁棒稀疏表示分类器(RSRC)分类测试人脸图像所属类别。在ATT人脸库上进行实验的结果表明,此方法是优于其他经典算法的。