基于復合稀疏模型的多任務(wù)視頻跟蹤算法研究.pdf

1、視頻目標跟蹤領(lǐng)域近年來獲得了廣泛的研究，取得了長足的進步。然而，由于目標跟蹤的實際情況復雜多變，設(shè)計出能夠在復雜情況下準確、穩(wěn)定跟蹤目標的視頻跟蹤算法仍然是一項具有挑戰(zhàn)性的任務(wù)。
　　在粒子濾波框架下，本文提出了一種基于稀疏表達和多任務(wù)學習的視頻目標跟蹤算法。相對于傳統(tǒng)的基于稀疏表達的視頻目標跟蹤算法，本文主要在以下三個方面進行了創(chuàng)新：
　　首先，為了能夠?qū)τ诹Ｗ舆M行準確的重構(gòu)，本文將對于所有粒子稀疏表達系數(shù)的求解看作是一個

2、多任務(wù)學習過程，提出了能夠提高學習效率的復合稀疏模型(Composite Sparse Model, CSM)。復合稀疏模型對于目標模板系數(shù)矩陣和冗余模板稀疏矩陣進行分開約束求解。由于冗余模板的功能是重構(gòu)粒子的局部遮擋，而遮擋可能隨機地出現(xiàn)在粒子的任意位置，因而對冗余模板系數(shù)矩陣施加l1,1約束，獲得依元素稀疏特性；由于目標模板的功能是重構(gòu)粒子的整體表觀，而粒子之間由于空間位置的接近，具有一定相似性。由于粒子之間的相似性，粒子可以看作是

3、由多個粒子共享的共性目標模板和由單個粒子特有的個性目標模板重構(gòu)得到。復合稀疏模型將目標模板系數(shù)矩陣看作是共性系數(shù)矩陣和個性系數(shù)矩陣的加和。對共性系數(shù)矩陣施加l1,?約束獲得組群稀疏特性，對個性稀疏矩陣施加l1,1約束獲得元素稀疏特性。復合稀疏模型不僅提高了跟蹤算法重構(gòu)局部遮擋的能力，而且更好地發(fā)掘了粒子之間的相關(guān)性，降低了稀疏表達的重構(gòu)誤差。
　　其次，為了使目標模板字典能夠全面表示目標表觀，本文提出多閾值目標模板更新方法。在同一

4、目標模板字典中，目標模板以不同更新頻率進行更新：更新頻率高的目標模板用于準確捕捉目標的當前表觀變化，更新頻率低的目標模板用于記錄目標的歷史表觀。這樣一來，多閾值的目標字典更新方法使得目標模板字典完整記錄了目標的表觀變化，進而能夠更全面的表征目標表觀。從而使得跟蹤算法對于目標表觀變化具有良好的魯棒性。
　　最后，本文使用ADMM(Alternating Direction Method of Multipliers)算法對CSM進行