資源描述:
《基于稀疏表示和特征選擇的lk目標(biāo)跟蹤》由會員上傳分享,免費(fèi)在線閱讀,更多相關(guān)內(nèi)容在工程資料-天天文庫。
1、計算機(jī)應(yīng)用研究ApplicationResearchofComputers基于稀疏表示和特征選擇的LK目標(biāo)跟蹤潘晴曾仲杰(廣東工業(yè)大學(xué)信息工程學(xué)院,廣州510006)摘要:為了實現(xiàn)復(fù)雜場景中的視覺跟蹤,提出了一種以LK(Lucas-Kanade)圖像配準(zhǔn)算法為框架,基于稀疏表示的在線特征選擇機(jī)制。在視頻序列的每一幀,篩選出一些能夠很好區(qū)分目標(biāo)及其相鄰背景的特征,從而降低干擾對跟蹤的影響。該算法分別構(gòu)造前景字典和背景字典,前景字典來自于第一幀的手動標(biāo)定,并隨著跟蹤結(jié)果不斷更新,而背景字典則在每一幀重新構(gòu)造。同時,一種新的字典更新策略不僅能有效應(yīng)對目標(biāo)的外觀
2、變化,而且通過特征選擇機(jī)制,能避免在更新過程中引入干擾,從而克服了漂移現(xiàn)象。大量的實驗結(jié)果表明,該算法能有效應(yīng)對視角變化、光照變化以及大面積的局部遮擋等挑戰(zhàn)。關(guān)鍵詞:視覺跟蹤;稀疏表示;LK圖像配準(zhǔn)算法;特征選擇;中圖分類號:TP301.6LKTrackingBasedonSparseRepresentationandFeaturesSelectionPANQingZENGZhong-jie(SchoolofInformationEngineering,GuangdongUniversityofTechnology,Guangzhou510006,Chi
3、na)Abstract:Inordertotrackingobjectincomplexscenes,thepaperproposesanonlinefeaturesselectionmechanismbasedonsparserepresentationintheLucas-Kanadeimageregistrationframework.Toredusetheimpactofinterferenceonthetracking,weselectthefeaturesthatbestdiscriminationbetweemobjectandadjace
4、ntbackgroundineachframeofthevideosequence.Thealgorithmiscomposedofforwarddictionariesandbackgrounddictionaries,theformerwhichwillbecreatedmanuallyfromthefirstframeandupdatedwiththetrackingresults,thebackgrounddictionarywillbereconstructbyevreyframe.Meanwhile,anewdictionaryupdatin
5、gstrategynotonlycaneffectivelycopewiththeappearancechanges,butalsohandledrift.Experimentshowsthattheproposedalgorithmcaneffectivelydealwithposechange,illuminationchangeandlargepartialocclusion.Keywords:visualtracking;sparserepresentation;Lucas-Kanadeimageregistrationalgorithm;fea
6、tureselection20currencydeposit,weprescribeapassonaregularbasis,qilucardaccountonaregularbasis),certificatebondsandsavingsbonds(electronic);3.notdrawnonabanksavingscertificate,certificatebondsapplyformortgageloans,acceptingonlythelender廣東省自然科學(xué)基金項目(No.9451009001002667)。潘晴:男,1975年生,
7、副教授,湖北武漢人,主要研究領(lǐng)域為圖像處理、模式識別.曾仲杰:男,1986年生,碩士研究生,廣東湛江人,主要研究方向模式識別、視覺跟蹤.1引言近30年來視覺跟蹤一直是計算機(jī)視覺領(lǐng)域的一個重要課題,隨著眾多學(xué)者不斷研究和探索,視覺跟蹤已經(jīng)在視頻監(jiān)控,智能交通,人機(jī)交互等領(lǐng)域得到廣泛的應(yīng)用。目前大量的跟蹤算法被提出以解決跟蹤過程中遇到的各種難題,包括目標(biāo)的快速運(yùn)動、視角變化、遮擋、復(fù)雜背景干擾以及光照變化等等[1]。目前,視覺跟蹤算法主要分為判別法和統(tǒng)計生成法兩類。判別法是將跟蹤視作一個分類問題,通過分類器實現(xiàn)對目標(biāo)的定位。統(tǒng)計生成法則用一個或多個模型來表示
8、目標(biāo),然后在一定范圍內(nèi)尋找最佳的匹配結(jié)果。Grabner等人[2]提出一種基于在