基于局部稀疏表示的目标跟踪算法.docx

基于局部稀疏表示的目标跟踪算法 摘要：目标跟踪是计算机视觉领域重要的研究方向之一。基于l1最小化稀疏表示的目标跟踪算法跟踪精度高，但是在跟踪部分遮挡目标或当背景中存在与目标相似的干扰物时会发生漂移。这主要是因为算法仅关注目标的整体特征，而忽略了目标局部特征的变化情况。为了解决该问题，提出基于目标外观局部稀疏表示的跟踪算法。首先，对待选样本进行分块，然后利用采集得到的模板对各分块进行稀疏表示并计算重构误差，最后选取累积误差最小的待选样本作为跟踪目标。实验结果表明，该算法在跟踪被部分遮挡的目标时相比l1跟踪算法有更高的准确度。 关键词：目标跟踪；稀疏表示；l1算法；分块策略；生成模型 DOIDOI：10.11907/rjdk.181568 中图分类号：TP312 文献标识码：A 文章编号文章编号：1672-7800（2018）008-0106-04 英文摘要Abstract：Object tracking is one of the most important research areas in computer vision.The object tracking algorithm based on l1 sparse representation minimization has high tracking accuracy.However，when the object is partially occluded or the environment is similar to the object，the tracker may drift.This is mainly because the algorithm only focuses on the overall characteristics of the object and ignores the changes of the local characteristics of the object.In order to solve this problem，we propose a tracking algorithm based on the local sparse representation.Firstly，the candidate sample is divided into several overlaped blocks.Then，we employ each block using the collected templates to calculate reconstructive error.Finally，the candidate sample with the smallest reconstructive error is selected as the target.Experimental results show that our algorithm has higher accuracy than l1 tracker when tracking partially occluded objects. 英文键词Key Words：object tracking； sparse representation； l1algorithm； block strategy； generative model 0 引言 目标跟踪是计算机视觉领域重要研究课题之一。在交通导航、虚拟现实、视频监控、无人机飞行等领域应用广泛。近年来，国内外大量跟踪算法被开发出来[1-6]。但由于受到目标外观变化、目标局部遮挡和目标信息缺失等众多干扰因素影响，开发出鲁棒性的跟踪算法仍然面临巨大挑战。 按照外观模型的不同，现有目标跟踪算法可以分为两类：生成式模型和判别式模型。判别式算法模型[7-11]将目标跟踪视为二值分类问题，通过使用采样得到的正样本和负样本训练分类器分离目标与背景，然后选择具有最大分类响应值的待选样本作为跟踪结果。文献[8]提出了一种基于在线增强方法更新判别特征的目标跟踪算法。在此基础上，文献[9]提出一种半在线算法处理跟踪漂移问题。多实例目标跟踪（MIL）[10]使用在线Boosting算法训练分类器处理非线性分类问题。邸男等[11]利用棱锥面方程的单峰特性并结合似然相似度函数提高目标与背景的区分度。判别式算法在跟踪复杂环境中的目标时会得到鲁棒性结果，但在处理外观变化不大的目标时往往会丢失目标。 生成式算法模型[12-17]通过训练样本学习目标外观模型，然后在候选样本中选择重构误差最小的样本作为跟踪结果。Adam等[12]提出使用多尺度灰度直方图表示目标特征。Mei等[13-14]利用目标整体特征建模外观模型，通过求解l1最小化问题选择