稀疏表示目標(biāo)跟蹤MeanshiftVotingMapK-selection

《稀疏表示目標(biāo)跟蹤MeanshiftVotingMapK-selection》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫(kù)。

1、RobustTrackingUsingLocalSparseAppearanceModelandK-Selection2012-04-10跟蹤分類Generative當(dāng)前幀中尋找和目標(biāo)最相似的區(qū)域就是目標(biāo)，如MeanShift，ParticleFilter等。Discriminative認(rèn)為跟蹤問(wèn)題實(shí)際上是分類問(wèn)題，將目標(biāo)從背景中分離出來(lái)，如SVM，稀疏表示等。主要內(nèi)容稀疏表示基本概念目標(biāo)的表示稀疏表示字典的構(gòu)建VotingMap和稀疏表示正則化的MeanShift稀疏表示概念稀疏表示核心問(wèn)題轉(zhuǎn)化主要問(wèn)題稀疏編碼的計(jì)算和字典的構(gòu)建目標(biāo)的表示靜態(tài)稀疏表示字典保證目標(biāo)表示具有穩(wěn)定性，不

2、會(huì)漂移動(dòng)態(tài)字典基向量直方圖統(tǒng)計(jì)保證目標(biāo)表示的靈活性，能夠反映目標(biāo)的各種變化，如形變、遮擋、光照變化引起的目標(biāo)變化局部稀疏表示計(jì)算字典從目標(biāo)模板中學(xué)習(xí)得到給定目標(biāo)區(qū)域，通過(guò)滑動(dòng)窗口對(duì)目標(biāo)區(qū)域中像素按行拉直得到一系列向量，從這些向量中學(xué)習(xí)得到字典目標(biāo)的局部稀疏表示局部稀疏表示計(jì)算問(wèn)題的轉(zhuǎn)化上面的表示問(wèn)題就是選擇若干基向量，張成線性空間，求取目標(biāo)向量在這個(gè)線性空間中的坐標(biāo)。求解出在B下的表示后，反向投影到原來(lái)的字典中，就可以得到目標(biāo)向量在原來(lái)字典中的稀疏表示?；蛄恐狈綀D統(tǒng)計(jì)目標(biāo)模板直方圖統(tǒng)計(jì)直觀上，就是字典中各個(gè)基向量在目標(biāo)的稀疏表示中被使用次數(shù)的加權(quán)統(tǒng)計(jì)候選目標(biāo)直方圖統(tǒng)計(jì)候選目標(biāo)的直

3、方圖統(tǒng)計(jì)目標(biāo)直方圖統(tǒng)計(jì)的更新其中r表示學(xué)習(xí)速率稀疏表示字典構(gòu)建構(gòu)建方法分類正交基的級(jí)聯(lián)方法，例如小波基的級(jí)聯(lián)基于學(xué)習(xí)的方法，K-SVD方法基于學(xué)習(xí)K-selection的方法從目標(biāo)模板中選擇基向量組成字典，最小化全局重構(gòu)誤差通過(guò)全局搜索可以得到全局最優(yōu)結(jié)果稀疏表示字典構(gòu)建K-selection構(gòu)造方法全局搜索效率低下，使用梯度下降法快速構(gòu)建字典，分為兩步，初值選取，梯度下降。初始基向量選取衡量每個(gè)向量的重要程度，選擇重要程度最大的若干向量作為基向量的初始選擇，重要程度通過(guò)下式定義，其中包含了重構(gòu)誤差和表示其他向量時(shí)的權(quán)重字典構(gòu)建初始基向量選取每個(gè)向量都會(huì)由其他所有向量作為基向量組成

4、的字典進(jìn)行表示，因此每個(gè)向量都參與了其他所有向量的表示，以重構(gòu)誤差和表示中的坐標(biāo)共同構(gòu)建向量的權(quán)重字典構(gòu)建梯度下降選取初始向量之后，計(jì)算梯度字典構(gòu)建利用負(fù)梯度指向減小方向在所有的向量中選擇和梯度變化之后最相似的向量進(jìn)行更新替換，對(duì)每一個(gè)基向量進(jìn)行這個(gè)操作，直到重構(gòu)誤差不在變小，向量之間的相似性聽(tīng)過(guò)cos來(lái)衡量。跟蹤方法稀疏表示正則化的MeanShift方法將稀疏表示和MeanShift方法結(jié)合，構(gòu)造新的目標(biāo)模板的概率密度表示，包括字典下的似然概率和動(dòng)態(tài)直方圖統(tǒng)計(jì)的相似性VotingMap各個(gè)部分跟蹤結(jié)果通過(guò)votingmap結(jié)合，考慮空間信息，解決部分遮擋問(wèn)題稀疏表示正則化的Mea

5、nShift靜態(tài)字典下的似然度候選目標(biāo)在字典下表示的似然概率對(duì)數(shù)形式為稀疏表示正則化的MeanShift動(dòng)態(tài)直方圖統(tǒng)計(jì)下的相似度采用巴氏距離描述候選和目標(biāo)基向量直方圖統(tǒng)計(jì)的距離候選和目標(biāo)之間的相似性函數(shù)稀疏表示正則化的MeanShift相似性函數(shù)最大化計(jì)算一階泰勒展開(kāi)稀疏表示正則化的MeanShift利用MeanShift最大化相似度函數(shù)尺度變化的處理在多個(gè)尺度下分別進(jìn)行相似度函數(shù)的最大化，選擇最大的相似度對(duì)應(yīng)的尺度VotingMap考慮空間信息對(duì)于候選目標(biāo)，每一位置的面片都有一個(gè)貢獻(xiàn)，這個(gè)貢獻(xiàn)由與候選目標(biāo)中心位移、重構(gòu)誤差及重構(gòu)系數(shù)共同決定。VotingMap