基于稀疏性协作模型的目标跟踪

《基于稀疏性协作模型的目标跟踪》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、基于稀疏性协作模型的目标跟踪王硕豪计算机应用技术6120160166Abstract在本文中我们提出了一种利用了协同模型的鲁棒的目标追踪算法。在基于稀疏性的判别分类器（SDC）模块，我们引入了更有效方法来进行置信值计算，那就是比起背景给前景分配更多的权重。在基于稀疏性的生成模型（SGM）模块，提出了一种新的基于直方图的方法，该方法考虑了每个图像块的空间信息遮挡。Introduction在视频中获取感兴趣的目标是目前很具有挑战性的研究热点之一，在视频监控、人机交互和军事领域都具有巨大的应用前景。目标跟踪问题的技

2、术难点是实时，准确和稳定地将感兴趣的目标表现出来，但是由于目标的运动方式、运动场景和目标外在特征的突然改变以及光照的变化和目标遮挡等一系列问题都会导致目标跟踪的准确率和稳定性的下降。这里所指的目标跟踪，是通用单目标跟踪，第一帧给出矩形框，这个框在数据库里面是人工标注的，在实际情况下大多是检测算法的结果，然后需要跟踪算法在后续帧紧跟住这个框。首先，一个目标可以被不同的特征表示，如强度，颜色，纹理，超像素，和Haar特征。在这项工作中，由于其简单性和效率我们利用强度值来表示。此外，我们的方法利用整体样本的强度来从

3、背景中识别目标,以及保证局部图像块在处理部分遮挡时的有效性。其次,需要开发一个模型来验证任何状态的预测,它可以是被生成的或判别的。对于生成方法,跟踪是指在邻域中搜索最相近的目标目标区域，比较著名的有卡尔曼滤波，粒子滤波，mean-shift等。对于判别方法,当前帧以目标区域为正样本，背景区域为负样本，跟踪被视为二进制分类问题,目的是设计一个分类器来区分目标目标与背景。所以判别类方法普遍都比生成类好。举个例子，在训练时告诉tracker目标80%是红色，20%是绿色，还告诉它背景中有橘红色，要格外注意别搞错了，

4、这样的分类器知道更多信息，效果也肯定更好。此外,还提出了几个算法来利用的优势,生成和判别模型。我们开发了一个简单而鲁棒的模型,利用生成模型来解释外观变化和区分分类器,以便有效地将前景目标与背景分开。第三个问题与在线更新方案有关,使跟踪器能够适应目标目标和背景的外观变化。然而,特别是当闭塞发生，由于累积的错误，直接和频繁的更新跟踪结果可能会逐渐导致漂移。为了解决这个问题,Babenko制定了一个策略,选择积极和消极的样本在更新和引入多实例学习,以了解真正的目标目标。它们通过正负约束来探索未标记数据的结构,帮助选

5、择潜在的样本进行更新。为了捕获外观变化以及减少跟踪漂移,我们提出了一种闭塞的方法,以考虑更新外观模型。Algorithm目标跟踪的表示方案主要由整体样本和局部直方图组成。虽然大多数跟踪算法使用的是整体或局部表示,但我们的方法利用了这两种方案协作。大多数跟踪方法使用矩形来表示跟踪结果,但跟踪矩形内的像素并非全部来自前景。因此,当用背景图像块作为正样本进行更新时,局部分类器可能会受到影响。相反,整体样本往往是不同的前景或背景。因此,整体样本更适合于判别类模型。同时,由于其灵活性,局部表达更适于生成类模型。因此,我

6、们开发了一个基于整体样本的区分分类器和使用局部表示的生成类模型集成的协作模型。1.SDC：训练图像集由Np正样本和Nn负样本组成。最初,我们在手动选定的目标位置(例如,在几个像素的半径范围内)采样Np图像。然后,选定的图像被正常化到相同的大小(在我们的实验中32x32),以提高效率。每个缩减图像叠加形成相应的正样本向量。同样,负训练集是由远离标记位置的图像(例如,距离目标目标几个像素的环形区域内)组成的。这样,负训练集由目标目标的各个部分的背景和图像组成。这样设置较好地将目标局部化,作为样本仅包含部分外观的样

7、品被视为负样本,其置信值被限制为小。在每个帧中,我们使用粒子过滤器在前一帧中的跟踪结果周围绘制n个候选项。为了更好地跟踪目标,我们采用仿射变换对物体运动进行建模。此外,我们假设仿射参数是独立的,可以用六标量高斯分布建模。1.1特征选择：灰度特征空间是丰富而又冗余的,从中可以提取出区分前景与背景的决定性部分。我们选择的判别特征，其中Np正样本A+和Nn负样本A−,K是特征选择前的特征维度。每个元素向量表示在训练集A中每个样本的属性,即+1为正样本和−1为负样本。Eq.1的解决方案是稀疏向量S,其非零元素对应从最

8、初选择的判别特征K维特征空间。请注意,特征选择方案自适应地选择合适数量的判别动态环境中的特性。我们通过一个项目矩阵将原始特征空间投射到所选的特征空间。它是通过从对角线矩阵s′中移除零行来形成的,其中元素由训练样本集和候选者在投影空间是A′=SA和x′=Sx。1.2置信测度：提出的SDC是基于假定该目标可以更好地表示为线性组合的正样本,而背景可以更好地用负样本的跨度表示。候选者由训练模板集合代表与系数