摘要
针对视频目标跟踪过程中,目标遮挡往往导致跟踪失败的问题,提出了一种基于稀疏表达和多任务学习的目标跟踪算法。将求解粒子稀疏表达的过程看作是一个多任务学习问题,在求解稀疏表达系数时将目标系数矩阵和冗余系数矩阵分开求解。由于粒子选择目标模板的相似性,选择用l1,∞范数对目标系数矩阵进行约束以获得组群稀疏特性;由于遮挡出现位置的随机性,选择用l1,1范数对冗余系数矩阵进行约束以获得元素稀疏特性。最后采用ADMM优化算法对复合约束模型进行优化。复合约束模型不仅考虑了粒子之间的相关性,同时能够更准确地重构随机出现的遮挡,降低了遮挡对于跟踪器识别目标造成的干扰实验。结果证明,基于复合约束的目标跟踪算法对于遮挡问题具有良好的鲁棒性,同时具有较高的跟踪精度和速度。
To solve the problem that trackers usually lose track of the target when occlusion occurs in tracking scenario, we propose a sparse coding based tracker which is robust to occlusions. Because the similarity of the parti- cles, most particles would choose similar target templates, we choose the target coefficient matrix regularized by ll.~ norm to obtain group - wise sparsity ; and because the position of the occlusions is completely random, we choose the trivial coefficient matrix regularized by 11,l to obtain element - wise sparsity. This new regularization model not only considers the relatedness of particles, but the occlusions can be accurately rebuilt, leading to robustness against oc- clusions. Furthermore, the ADMM algorithm is used to optimize the model, which accelerates the tracking speed. The experiments show that the proposed tracker is robust against occlusions.
出处
《计算机仿真》
CSCD
北大核心
2014年第8期364-367,426,共5页
Computer Simulation
基金
中国自然科学基金(61175028)
关键词
稀疏表达
多任务学习
冗余模板
Sparse representation
Muhi - task learning
Trivial templates
作者简介
王梦（1989-），女（汉族），陕西省西安市人，硕士研究生，主要研究领域为视频目标跟踪。
敬忠良（1960-），男（汉族），四川南部县人，教授，博士研究生导师，长江学者，主要研究领域为信息融合与机动目标跟踪。
金博（1982-），男（汉族），浙江温州人，博士研究生，主要研究领域为：机器学习，增量学习，视觉跟踪。
秦彦源（1989-），男（汉族），河北省石家庄人，硕士研究生，主要研究领域为机动目标跟踪。
