基于復(fù)合稀疏模型的多任務(wù)視頻跟蹤算法研究.pdf

1、視頻目標(biāo)跟蹤領(lǐng)域近年來(lái)獲得了廣泛的研究，取得了長(zhǎng)足的進(jìn)步。然而，由于目標(biāo)跟蹤的實(shí)際情況復(fù)雜多變，設(shè)計(jì)出能夠在復(fù)雜情況下準(zhǔn)確、穩(wěn)定跟蹤目標(biāo)的視頻跟蹤算法仍然是一項(xiàng)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(dá)和多任務(wù)學(xué)習(xí)的視頻目標(biāo)跟蹤算法。相對(duì)于傳統(tǒng)的基于稀疏表達(dá)的視頻目標(biāo)跟蹤算法，本文主要在以下三個(gè)方面進(jìn)行了創(chuàng)新：
　　首先，為了能夠?qū)τ诹Ｗ舆M(jìn)行準(zhǔn)確的重構(gòu)，本文將對(duì)于所有粒子稀疏表達(dá)系數(shù)的求解看作是一個(gè)

2、多任務(wù)學(xué)習(xí)過(guò)程，提出了能夠提高學(xué)習(xí)效率的復(fù)合稀疏模型(Composite Sparse Model, CSM)。復(fù)合稀疏模型對(duì)于目標(biāo)模板系數(shù)矩陣和冗余模板稀疏矩陣進(jìn)行分開(kāi)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(jī)地出現(xiàn)在粒子的任意位置，因而對(duì)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(biāo)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(gè)粒子共享的共性目標(biāo)模板和由單個(gè)粒子特有的個(gè)性目標(biāo)模板重構(gòu)得到。復(fù)合稀疏模型將目標(biāo)模板系數(shù)矩陣看作是共性系數(shù)矩陣和個(gè)性系數(shù)矩陣的加和。對(duì)共性系數(shù)矩陣施加l1,?約束獲得組群稀疏特性，對(duì)個(gè)性稀疏矩陣施加l1,1約束獲得元素稀疏特性。復(fù)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(dá)的重構(gòu)誤差。
　　其次，為了使目標(biāo)模板字典能夠全面表示目標(biāo)表觀，本文提出多閾值目標(biāo)模板更新方法。在同一

4、目標(biāo)模板字典中，目標(biāo)模板以不同更新頻率進(jìn)行更新：更新頻率高的目標(biāo)模板用于準(zhǔn)確捕捉目標(biāo)的當(dāng)前表觀變化，更新頻率低的目標(biāo)模板用于記錄目標(biāo)的歷史表觀。這樣一來(lái)，多閾值的目標(biāo)字典更新方法使得目標(biāo)模板字典完整記錄了目標(biāo)的表觀變化，進(jìn)而能夠更全面的表征目標(biāo)表觀。從而使得跟蹤算法對(duì)于目標(biāo)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(duì)CSM進(jìn)行