稀疏表示目标跟踪MeanshiftVotingMapK-selection

《稀疏表示目标跟踪MeanshiftVotingMapK-selection》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、RobustTrackingUsingLocalSparseAppearanceModelandK-Selection2012-04-10跟踪分类Generative当前帧中寻找和目标最相似的区域就是目标，如MeanShift，ParticleFilter等。Discriminative认为跟踪问题实际上是分类问题，将目标从背景中分离出来，如SVM，稀疏表示等。主要内容稀疏表示基本概念目标的表示稀疏表示字典的构建VotingMap和稀疏表示正则化的MeanShift稀疏表示概念稀疏表示核心问题转化主要问题稀疏编码的计算和字典的构建目标的表示静态稀疏表示字典保证目标表示具有稳定性，不

2、会漂移动态字典基向量直方图统计保证目标表示的灵活性，能够反映目标的各种变化，如形变、遮挡、光照变化引起的目标变化局部稀疏表示计算字典从目标模板中学习得到给定目标区域，通过滑动窗口对目标区域中像素按行拉直得到一系列向量，从这些向量中学习得到字典目标的局部稀疏表示局部稀疏表示计算问题的转化上面的表示问题就是选择若干基向量，张成线性空间，求取目标向量在这个线性空间中的坐标。求解出在B下的表示后，反向投影到原来的字典中，就可以得到目标向量在原来字典中的稀疏表示。基向量直方图统计目标模板直方图统计直观上，就是字典中各个基向量在目标的稀疏表示中被使用次数的加权统计候选目标直方图统计候选目标的直

3、方图统计目标直方图统计的更新其中r表示学习速率稀疏表示字典构建构建方法分类正交基的级联方法，例如小波基的级联基于学习的方法，K-SVD方法基于学习K-selection的方法从目标模板中选择基向量组成字典，最小化全局重构误差通过全局搜索可以得到全局最优结果稀疏表示字典构建K-selection构造方法全局搜索效率低下，使用梯度下降法快速构建字典，分为两步，初值选取，梯度下降。初始基向量选取衡量每个向量的重要程度，选择重要程度最大的若干向量作为基向量的初始选择，重要程度通过下式定义，其中包含了重构误差和表示其他向量时的权重字典构建初始基向量选取每个向量都会由其他所有向量作为基向量组成

4、的字典进行表示，因此每个向量都参与了其他所有向量的表示，以重构误差和表示中的坐标共同构建向量的权重字典构建梯度下降选取初始向量之后，计算梯度字典构建利用负梯度指向减小方向在所有的向量中选择和梯度变化之后最相似的向量进行更新替换，对每一个基向量进行这个操作，直到重构误差不在变小，向量之间的相似性听过cos来衡量。跟踪方法稀疏表示正则化的MeanShift方法将稀疏表示和MeanShift方法结合，构造新的目标模板的概率密度表示，包括字典下的似然概率和动态直方图统计的相似性VotingMap各个部分跟踪结果通过votingmap结合，考虑空间信息，解决部分遮挡问题稀疏表示正则化的Mea

5、nShift静态字典下的似然度候选目标在字典下表示的似然概率对数形式为稀疏表示正则化的MeanShift动态直方图统计下的相似度采用巴氏距离描述候选和目标基向量直方图统计的距离候选和目标之间的相似性函数稀疏表示正则化的MeanShift相似性函数最大化计算一阶泰勒展开稀疏表示正则化的MeanShift利用MeanShift最大化相似度函数尺度变化的处理在多个尺度下分别进行相似度函数的最大化，选择最大的相似度对应的尺度VotingMap考虑空间信息对于候选目标，每一位置的面片都有一个贡献，这个贡献由与候选目标中心位移、重构误差及重构系数共同决定。VotingMap