尺度自适应结构输出目标跟踪算法

针对目标尺度明显变化时采用固定尺度的结构输出目标跟踪算法容易出现跟踪失败的问题,提出一种改进的尺度自适应目标跟踪算法。新算法在传统结构输出跟踪算法基础上,将目标运动信息引入候选样本采集过程,通过自举滤波器的状态转移模型预测目标的当前位置和尺度,生成一组多尺度候选样本集,避免了固定尺度的密集均匀采样,实现尺度自适应的同时降低了算法的计算量。实验结果表明,所提算法在目标发生明显尺度变化、部分遮挡以及旋转等情况下具有较高的鲁棒性,且实时性相比于传统结构输出跟踪算法明显提高。     

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.