基於稀疏表示的視覺跟蹤新方法研究

《基於稀疏表示的視覺跟蹤新方法研究》是依託大連理工大學,由盧湖川擔任項目負責人的面上項目。

基本介紹

• 中文名：基於稀疏表示的視覺跟蹤新方法研究
• 依託單位：大連理工大學
• 項目類別：面上項目
• 項目負責人：盧湖川

項目摘要

視覺跟蹤的目標是要確定目標的位置、尺度、姿態、速度等狀態信息。但是由於光照、遮擋、旋轉、變形、突然運動、複雜背景等因素的干擾，視覺跟蹤是一個非常具有挑戰性而且非常重要的基礎問題。另一方面，稀疏表示的研究近來非常活躍，而且在不斷完善的過程中，我們擬針對跟蹤這個富有挑戰性的問題，圍繞稀疏表示理論，設計出能夠處理目標旋轉、姿態、光照、遮擋、以及複雜背景等魯棒的跟蹤算法。本課題的具體目標是探討如何將稀疏表示理論與目標跟蹤問題的先驗知識（時間上的連續性，特徵的冗餘性，背景和前景的區分性等）相結合，克服稀疏表示理論時間和空間複雜度都較高的難點，擬從有效的視覺特徵(Mid-level)描述及選擇，基於稀疏表示的判決模型和生成模型的構建與融合，子空間信息的利用與合理的更新機制的設計，2範數約束下的稀疏表示，匯聚算法與局部稀疏表觀模型等幾個方面深入。

結題摘要

在本項目中，我們針對跟蹤這個富有挑戰性的問題，圍繞稀疏表示理論，現已設計出多種能夠處理目標旋轉，姿態，光照，遮擋，以及複雜背景等問題魯棒的跟蹤算法。通過在大量挑戰性圖像測試序列上進行測試，我們驗證了這幾種算法的有效性，它們的跟蹤表現在當前一流的跟蹤方法中名列前茅，並且都已發表於領先的國際會議。 第一種算法我們總結為基於結構化局部稀疏表示外觀模型的自適應跟蹤方法：首先在生成模型的框架下引入局部外觀模型，提出了簡單而有效的基於結構化局部稀疏表示的外觀模型。通過對目標上的局部圖像塊進行稀疏編碼，然後將得到的編碼係數進行平均化和對齊匯聚操作，來充分利用目標的空間結構和局部信息。這樣可以找到目標上那些表現穩定、外觀變化小的局部模式，利用它們來實現跟蹤器對目標的魯棒跟蹤。此外，算法中還提出了基於稀疏編碼和增量子空間學習方法的更新策略，使得跟蹤器可以自適應地捕捉目標的外觀變化，並減小錯誤定位和遮擋帶來的誤更新。 第二種算法我們總結為基於稀疏表示的聯合模型跟蹤方法：包括一種基於稀疏表示的判決性分類器和一種基於稀疏表示的生成模型。在判決性分類器模組中，本文提出一種魯棒而且有效的計算置信值的方法，這種方法給前景分配的權重比較大，給背景分配的權重比較小。在基於稀疏表示的生成模型中，本文提出一種新穎的基於直方圖的描述方式，這種描述方式考慮到每個圖像塊的位置信息，同時考慮了遮擋對於最終結果的影響。本文合理的將兩種模型融合，得到一種聯合的外觀模型用於對目標進行跟蹤。此外，本文提出的更新機制考慮到最新的觀測外觀模型，又考慮到原始的目標模板，因此使得目標跟蹤器能夠有效的應對目標的外觀變化並且避免漂移問題。 第三種算法我們總結為最小軟閾值均方回歸算法，基於稀疏表示模型的跟蹤算法存在兩個關鍵問題：如何魯棒地求解表示係數以及如何在噪聲觀測下定義一個觀測樣本與模板子空間之間的魯棒的距離。我們將觀測噪聲假設為高斯分布和拉普拉斯分布的加性組合（稱為“高斯-拉普拉斯”分布），並從最大聯合似然估計的角度提出了一種最小軟閾值均方回歸算法。隨後，提出了一種有效的疊代算法來求解最小軟閾值均方回歸問題，該疊代算法可以獲得全局最優解。另外，我們證明了從求解回歸係數的角度來看，提出的最小軟閾值均方回歸與Huber 魯棒回歸是等價的。除此之外，為了設計一個魯棒的跟蹤器，我們從理論上推導了一種最小軟閾值均方距離，並據此設計了一個