局部加权距离度量的双向稀疏表示目标跟踪

2018-04-13 01:12:04王业祥朱文球孙文静
计算机技术与发展 2018年4期

王业祥,朱文球,孙文静

(1.湖南工业大学 计算机学院,湖南 株洲 412007;2.智能信息感知及处理技术湖南省重点实验室,湖南 株洲 412007)

0 引 言

目标跟踪的研究在计算机视觉和模式识别中一直是一个热点,是各种高级处理如场景理解、行为识别的基础,在智慧工厂、智能安防系统及智能人机交互等新兴产业中应用广泛。但是如何提高目标跟踪在遮挡、形变、光照变化等复杂环境下的鲁棒性一直是一个亟待解决的难点。

近年来,稀疏表示理论[1]已经应用到包括目标跟踪在内的大量计算机视觉任务中,包括图像去噪[2]、人脸识别[3]、图像修复[4]等领域。由于基于稀疏表示的目标观测模型对环境的变化具有一定的鲁棒性,因此,用稀疏表示解决复杂场景下的目标跟踪问题具有较大的研究价值。稀疏表示应用于目标跟踪时,将跟踪问题的求解转化为在模板空间中寻求一个稀疏近似解。Zhong等[5]提出将目标模板集和候选模板集进行对比,并把差异度最高的样本作为目标,但是其用两个独立的稀疏表示模型需要对候选样本集进行两次稀疏求解,理论难度增大的同时也增加了算法的计算量。Zhuang等[6]用候选样本集稀疏表示目标正负模板集,构建目标模板和样本之间的距离概率相似图,由此确定真实目标。但是该方法必须使用大量的过完备候选样本集,而且当目标发生漂移时,不能对正负模板集及时更新,造成概率相似图不准确以致跟踪效果下降。

对传统稀疏表示模型的研究发现,正向稀疏表示正负目标模板集对候选样本集的重构,反向稀疏表示候选样本集对正负目标模板集的重构,基于以上理论首先提出双向稀疏[7]表示模型框架。……

登录APP查看全文