没有合适的资源?快使用搜索试试~ 我知道了~
首页多级稀疏表达与度量学习融合的目标跟踪算法
"一种融合多级稀疏表达和度量学习的目标跟踪方法" 本文提出了一种创新性的目标跟踪方法,该方法结合了多级稀疏表达和度量学习,旨在克服传统基于稀疏表达的跟踪算法在处理目标外形变化以及背景与目标区分上的局限性。在传统的稀疏表达跟踪中,模板更新策略往往依赖于固定的阈值,这在目标形状不断变化的情况下可能导致跟踪性能下降。因此,研究者设计了一个多级分层的目标模板字典,以更好地适应目标外观的变化。 多级分层模板字典的概念是将目标表示为不同层次的特征,每一层都对应不同的抽象程度或细节级别。这种分层结构允许跟踪算法在不同尺度和复杂度上捕获目标的特性,提高了对目标形状变化的适应性。通过在每一层上应用稀疏表达,这种方法能够捕获目标的内在结构,从而更准确地追踪目标。 然而,仅靠稀疏表达可能不足以有效地区分目标和背景。为此,作者引入了度量学习的思想,以增强算法区分目标与背景的能力。度量学习的目标是学习一个合适的距离度量,使得同类样本(如目标的不同视图)之间的距离较小,而异类样本(目标与背景)之间的距离较大。结合多级稀疏表达,度量学习进一步优化了目标和背景的区分,提高了跟踪的准确性。 在实际应用中,这种融合多级稀疏表达和度量学习的跟踪方法通过一系列实验验证了其优势。实验结果表明,该方法在面对目标遮挡、光照变化、运动模糊等挑战时,能显著提升跟踪的鲁棒性和精度。这意味着,即使在复杂环境下,该方法也能保持稳定且准确的跟踪性能。 该研究不仅提供了一种改进的模板更新策略,还通过结合多级稀疏表达和度量学习增强了目标跟踪的性能。这种方法对于视频监控、自动驾驶、机器人导航等领域具有重要的理论和实际意义,有望推动目标跟踪技术的发展。
资源详情
资源推荐
第 30 卷 第 10 期
Vol. 30 No. 10
控 制 与 决 策
Control and Decision
2015 年 10 月
Oct. 2015
一种融合多级稀疏表达和度量学习的目标跟踪方法
文章编号: 1001-0920 (2015) 10-1791-06 DOI: 10.13195/j.kzyjc.2014.1072
彭 梦, 蔡自兴, 陈白帆
(中南大学 信息科学与工程学院,长沙 410083)
摘 要: 基于稀疏表达的跟踪方法通常采用基于固定阈值的模板更新策略, 很难适应不断变化的目标外形; 其次, 稀
疏表达缺乏描述目标流行结构的能力, 区分背景和目标的能力差. 针对基于固定阈值的模板更新策略的不足, 提出一
种多级分层的目标模板字典. 为了改善对背景和目标的区分能力, 提出一种融合多级稀疏表达和度量学习的目标跟
踪方法. 实验结果表明了所提出的方法能有效提高跟踪的鲁棒性和精度.
关键词: 目标跟踪;稀疏表达;度量学习
中图分类号: TP391 文献标志码: A
A traget tracking method combining multi-level sparse representation
and metric learning
PENG Meng, CAI Zi-xing, CHEN Bai-fan
(School of Information Science and Engineering,Central South University,Changsha 410083,China.Correspondent:
PENG Meng,E-mail:pengmeng pm@csu.edu.cn)
Abstract: Traget tracking methods based on the sparse representation mostly apply a template update strategy based on the
fixed threshold which is difficult to adapt to the changing shape of target. In addition, sparse representation is inadequate in
capturing the manifold structures hidden in target samples. A template update strategy based on the multi-level hierarchical
dictionary is proposed according to drawbacks of the template update strategy based on the fixed threshold. A tracking
method combining multi-level sparse representation and metric learning is proposed in order to improve the ability to
distinguish between background and targets. Experimental results show that the proposed method can improve the tracking
accuracy and robustness effectively.
Keywords: traget tracking;sparse representation;metric learning
0 引引引 言言言
基于视觉的目标跟踪在许多领域被广泛应用, 例
如智能监控、人机接口、运动分析和车辆导航等. 根
据目标外形的学习方法, 视觉跟踪方法可以分为基
于生成模型的跟踪方法
[1-3]
和基于判决模型的跟踪方
法
[4-6]
. 基于生成模型的跟踪方法首先根据数据的分
布情况来学习一个描述目标的生成模型, 然后通过生
成模型寻找与目标相似度函数最大的区域. 生成模型
的优点是能够反映同类数据本身的相似度, 缺点是对
目标和背景的区分能力不足. 基于判决模型的跟踪方
法将跟踪看成一个如何区分目标和背景的二分类问
题, 根据目标和背景的决策边界进行跟踪. 判决模型
的优点是反映不同类别数据之间的差异, 缺点是不能
反映训练数据本身的特性.
近年来, 人们提出了很多基于稀疏表达理论框架
的目标跟踪方法. 基于稀疏表达理论, 目标可以通过
同一类别的少数几个目标模板来线性表示, 较好地解
决了目标遮挡、图像受损和目标外形的多线性结构低
维流行问题.
基于稀疏表达的跟踪存在以下两个主要问题. 首
先, 由于目标的外观一般都会发生变化, 目标模板需
要不断更新
[7]
. 1) 如果字典的样本更新过慢, 字典将
不能适应目标在图像中的形态变化, 降低跟踪结果的
精度. 2) 如果字典的样本更新过快, 容易将跟踪结果
的背景部分引入字典, 使得跟踪的 “drift” 问题变得更
加严重. 其次, 因为稀疏表达只用到了少数几个目标
收稿日期: 2014-07-06;修回日期: 2014-12-25.
基金项目: 国家自然科学基金重大研究计划重点项目(90820302);国家自然科学基金青年项目(61403423, 61403426).
作者简介: 彭梦(1978−), 男, 博士生, 从事视觉跟踪、多传感器融合的研究; 蔡自兴(1938−), 男, 教授, 博士生导师, 从事
人工智能、智能控制、机器人等研究.
下载后可阅读完整内容,剩余5页未读,立即下载
weixin_38706294
- 粉丝: 4
- 资源: 918
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- WebLogic集群配置与管理实战指南
- AIX5.3上安装Weblogic 9.2详细步骤
- 面向对象编程模拟试题详解与解析
- Flex+FMS2.0中文教程:开发流媒体应用的实践指南
- PID调节深入解析:从入门到精通
- 数字水印技术:保护版权的新防线
- 8位数码管显示24小时制数字电子钟程序设计
- Mhdd免费版详细使用教程:硬盘检测与坏道屏蔽
- 操作系统期末复习指南:进程、线程与系统调用详解
- Cognos8性能优化指南:软件参数与报表设计调优
- Cognos8开发入门:从Transformer到ReportStudio
- Cisco 6509交换机配置全面指南
- C#入门:XML基础教程与实例解析
- Matlab振动分析详解:从单自由度到6自由度模型
- Eclipse JDT中的ASTParser详解与核心类介绍
- Java程序员必备资源网站大全
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功