資源描述：
《基于稀疏性協(xié)作模型的目標(biāo)跟蹤》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫。
1、基于稀疏性協(xié)作模型的目標(biāo)跟蹤王碩豪計(jì)算機(jī)應(yīng)用技術(shù)6120160166Abstract在本文中我們提出了一種利用了協(xié)同模型的魯棒的目標(biāo)追蹤算法。在基于稀疏性的判別分類器（SDC）模塊，我們引入了更有效方法來進(jìn)行置信值計(jì)算，那就是比起背景給前景分配更多的權(quán)重。在基于稀疏性的生成模型（SGM）模塊，提出了一種新的基于直方圖的方法，該方法考慮了每個(gè)圖像塊的空間信息遮擋。Introduction在視頻中獲取感興趣的目標(biāo)是目前很具有挑戰(zhàn)性的研究熱點(diǎn)之一，在視頻監(jiān)控、人機(jī)交互和軍事領(lǐng)域都具有巨大的應(yīng)用前景。目標(biāo)跟蹤問題的技
2、術(shù)難點(diǎn)是實(shí)時(shí)，準(zhǔn)確和穩(wěn)定地將感興趣的目標(biāo)表現(xiàn)出來，但是由于目標(biāo)的運(yùn)動(dòng)方式、運(yùn)動(dòng)場(chǎng)景和目標(biāo)外在特征的突然改變以及光照的變化和目標(biāo)遮擋等一系列問題都會(huì)導(dǎo)致目標(biāo)跟蹤的準(zhǔn)確率和穩(wěn)定性的下降。這里所指的目標(biāo)跟蹤，是通用單目標(biāo)跟蹤，第一幀給出矩形框，這個(gè)框在數(shù)據(jù)庫里面是人工標(biāo)注的，在實(shí)際情況下大多是檢測(cè)算法的結(jié)果，然后需要跟蹤算法在后續(xù)幀緊跟住這個(gè)框。首先，一個(gè)目標(biāo)可以被不同的特征表示，如強(qiáng)度，顏色，紋理，超像素，和Haar特征。在這項(xiàng)工作中，由于其簡(jiǎn)單性和效率我們利用強(qiáng)度值來表示。此外，我們的方法利用整體樣本的強(qiáng)度來從
3、背景中識(shí)別目標(biāo),以及保證局部圖像塊在處理部分遮擋時(shí)的有效性。其次,需要開發(fā)一個(gè)模型來驗(yàn)證任何狀態(tài)的預(yù)測(cè),它可以是被生成的或判別的。對(duì)于生成方法,跟蹤是指在鄰域中搜索最相近的目標(biāo)目標(biāo)區(qū)域，比較著名的有卡爾曼濾波，粒子濾波，mean-shift等。對(duì)于判別方法,當(dāng)前幀以目標(biāo)區(qū)域?yàn)檎龢颖?，背景區(qū)域?yàn)樨?fù)樣本，跟蹤被視為二進(jìn)制分類問題,目的是設(shè)計(jì)一個(gè)分類器來區(qū)分目標(biāo)目標(biāo)與背景。所以判別類方法普遍都比生成類好。舉個(gè)例子，在訓(xùn)練時(shí)告訴tracker目標(biāo)80%是紅色，20%是綠色，還告訴它背景中有橘紅色，要格外注意別搞錯(cuò)了，
4、這樣的分類器知道更多信息，效果也肯定更好。此外,還提出了幾個(gè)算法來利用的優(yōu)勢(shì),生成和判別模型。我們開發(fā)了一個(gè)簡(jiǎn)單而魯棒的模型,利用生成模型來解釋外觀變化和區(qū)分分類器,以便有效地將前景目標(biāo)與背景分開。第三個(gè)問題與在線更新方案有關(guān),使跟蹤器能夠適應(yīng)目標(biāo)目標(biāo)和背景的外觀變化。然而,特別是當(dāng)閉塞發(fā)生，由于累積的錯(cuò)誤，直接和頻繁的更新跟蹤結(jié)果可能會(huì)逐漸導(dǎo)致漂移。為了解決這個(gè)問題,Babenko制定了一個(gè)策略,選擇積極和消極的樣本在更新和引入多實(shí)例學(xué)習(xí),以了解真正的目標(biāo)目標(biāo)。它們通過正負(fù)約束來探索未標(biāo)記數(shù)據(jù)的結(jié)構(gòu),幫助選
5、擇潛在的樣本進(jìn)行更新。為了捕獲外觀變化以及減少跟蹤漂移,我們提出了一種閉塞的方法,以考慮更新外觀模型。Algorithm目標(biāo)跟蹤的表示方案主要由整體樣本和局部直方圖組成。雖然大多數(shù)跟蹤算法使用的是整體或局部表示,但我們的方法利用了這兩種方案協(xié)作。大多數(shù)跟蹤方法使用矩形來表示跟蹤結(jié)果,但跟蹤矩形內(nèi)的像素并非全部來自前景。因此,當(dāng)用背景圖像塊作為正樣本進(jìn)行更新時(shí),局部分類器可能會(huì)受到影響。相反,整體樣本往往是不同的前景或背景。因此,整體樣本更適合于判別類模型。同時(shí),由于其靈活性,局部表達(dá)更適于生成類模型。因此,我
6、們開發(fā)了一個(gè)基于整體樣本的區(qū)分分類器和使用局部表示的生成類模型集成的協(xié)作模型。1.SDC：訓(xùn)練圖像集由Np正樣本和Nn負(fù)樣本組成。最初,我們?cè)谑謩?dòng)選定的目標(biāo)位置(例如,在幾個(gè)像素的半徑范圍內(nèi))采樣Np圖像。然后,選定的圖像被正?；较嗤拇笮?在我們的實(shí)驗(yàn)中32x32),以提高效率。每個(gè)縮減圖像疊加形成相應(yīng)的正樣本向量。同樣,負(fù)訓(xùn)練集是由遠(yuǎn)離標(biāo)記位置的圖像(例如,距離目標(biāo)目標(biāo)幾個(gè)像素的環(huán)形區(qū)域內(nèi))組成的。這樣,負(fù)訓(xùn)練集由目標(biāo)目標(biāo)的各個(gè)部分的背景和圖像組成。這樣設(shè)置較好地將目標(biāo)局部化,作為樣本僅包含部分外觀的樣
7、品被視為負(fù)樣本,其置信值被限制為小。在每個(gè)幀中,我們使用粒子過濾器在前一幀中的跟蹤結(jié)果周圍繪制n個(gè)候選項(xiàng)。為了更好地跟蹤目標(biāo),我們采用仿射變換對(duì)物體運(yùn)動(dòng)進(jìn)行建模。此外,我們假設(shè)仿射參數(shù)是獨(dú)立的,可以用六標(biāo)量高斯分布建模。1.1特征選擇：灰度特征空間是豐富而又冗余的,從中可以提取出區(qū)分前景與背景的決定性部分。我們選擇的判別特征，其中Np正樣本A+和Nn負(fù)樣本A?,K是特征選擇前的特征維度。每個(gè)元素向量表示在訓(xùn)練集A中每個(gè)樣本的屬性,即+1為正樣本和?1為負(fù)樣本。Eq.1的解決方案是稀疏向量S,其非零元素對(duì)應(yīng)從最
8、初選擇的判別特征K維特征空間。請(qǐng)注意,特征選擇方案自適應(yīng)地選擇合適數(shù)量的判別動(dòng)態(tài)環(huán)境中的特性。我們通過一個(gè)項(xiàng)目矩陣將原始特征空間投射到所選的特征空間。它是通過從對(duì)角線矩陣s′中移除零行來形成的,其中元素由訓(xùn)練樣本集和候選者在投影空間是A′=SA和x′=Sx。1.2置信測(cè)度：提出的SDC是基于假定該目標(biāo)可以更好地表示為線性組合的正樣本,而背景可以更好地用負(fù)樣本的跨度表示。候選者由訓(xùn)練模板集合代表與系數(shù)
