基于增量式低秩學(xué)習(xí)的視頻目標(biāo)跟蹤.pdf

1、視頻目標(biāo)跟蹤是計(jì)算機(jī)視覺(jué)的一個(gè)研究熱點(diǎn)，已經(jīng)在監(jiān)視、機(jī)器人、醫(yī)學(xué)圖像、以及人機(jī)交互等領(lǐng)域有著許多應(yīng)用。盡管學(xué)者們?cè)谶@個(gè)研究課題上做出了大量努力，但是，嚴(yán)重的遮擋、劇烈的姿態(tài)、尺度和光照的變化、雜亂的背景、多變的視角等引起的目標(biāo)物體的表觀變化使得視頻跟蹤依然是一個(gè)極具挑戰(zhàn)性的難題。
　　研究發(fā)現(xiàn)，子空間表示對(duì)于目標(biāo)物體的平面內(nèi)旋轉(zhuǎn)、尺度和姿態(tài)變化以及光照改變具有魯棒性并且易于計(jì)算，所以許多基于子空間學(xué)習(xí)的視頻跟蹤算法被相繼提出。這一

2、套算法通過(guò)構(gòu)造目標(biāo)所在的低維子空間，以得到能夠在線地適應(yīng)目標(biāo)物表觀變化的表觀模型(appearancemodel)。但是，對(duì)于視頻序列中的目標(biāo)物來(lái)說(shuō)，這些算法都不能對(duì)它們整體上的結(jié)構(gòu)進(jìn)行限制，從而無(wú)法準(zhǔn)確地把握目標(biāo)物體表觀的整體子空間結(jié)構(gòu)。最近，一些新的基于低秩性的魯棒子空間學(xué)習(xí)模型被相繼提出，例如RPCA、LRR等。它們能夠從受污染的觀測(cè)數(shù)據(jù)中恢復(fù)出其本質(zhì)的低秩子空間結(jié)構(gòu)。但是當(dāng)前的這些低秩模型無(wú)法直接用于增量式的視頻處理。受到以上討

3、論的啟發(fā)，本文提出了兩種基于增量式低秩學(xué)習(xí)的視頻跟蹤算法。
　　首先，本文基于增量式低秩特征學(xué)習(xí)提出了一個(gè)新的魯棒的視頻目標(biāo)跟蹤算法。該算法實(shí)際上將RobustPCA(RPCA)擴(kuò)展到了在線學(xué)習(xí)領(lǐng)域。與之前的方法相比較，該算法不再?gòu)氖芪廴镜挠^測(cè)數(shù)據(jù)直接學(xué)習(xí)子空間，而是增量式追蹤目標(biāo)的低秩特征并且通過(guò)稀疏誤差項(xiàng)檢測(cè)遮擋。然后，本文又提出了一個(gè)新的子空間學(xué)習(xí)方法以解決魯棒的視頻目標(biāo)跟蹤問(wèn)題。該算法增量式追蹤最優(yōu)低秩投影，該投影的列向量