《学习笔记》目前几种稀疏目标跟踪算法

1、MTT算法

     Multi-Task Tracking (MTT)跟踪算法,在粒子滤波框架下,将目标跟踪作为多任务稀疏学习问题,粒子模型为动态更新地字典模板线性组合。学习每个粒子的表示被考虑为一个单独的任务。学习问题可以使用一个加速梯度(APG)的方法解决。MTT有计算上的吸引力,与L1跟踪器相比,提高了跟踪的效率。

     1.1跟踪目标的多任务表示

          在多任务学习(MTL)框架,多任务共享特征的依赖关系,或联合解决参数学习以利用它们的内在关系。把跟踪问题视为MTL问题,学习粒子表示视为一个单独的任务,一般,粒子表示相互独立的计算,如L1跟踪器,在MTT中,在MTL环境下联合表示粒子。

          在目前跟踪状态周围,按照zero-mean高斯分布,随机采样粒子。

     1.2通过混合模式联合稀疏

          联合稀疏鼓励所有的粒子表示单独稀疏,共享相同的字典模板。近年来,联合稀疏被用于解决MTL问题。

2、LSK算法

利用局部稀疏外观模型和K-Selection的视觉跟踪算法,K-Selection是一种新的稀疏字典学习方法。

3、SCM算法

基于稀疏协同模型的鲁棒目标跟踪算法。

利用一种全局模板和局部表示的鲁棒外观模型。

提出一种基于稀疏的判别分类器SDC和基于稀疏的生成模型SGMSDC模块,介绍了一种有效的方法计算置信值,与背景相比,分配更多的权重给前景。在SGM模块,提出了一种新的基于直方图的方法,处理遮挡情景考虑各块的空间信息。

 

此外,更新方案综合考虑最新观测和原始模板,从而使跟踪器有效地处理外观变化和减轻漂移问题。

引言

视觉跟踪的目标的是估计图像序列集中目标的状态。它在很多的视觉应用中,如运动分析、行为识别、视频监控和交通监控,起着关键的作用。尽管近些年取得了很大的进步,由于光照变化、摄像机运动、遮挡、姿态变化和形状变形引起的外观变化,为复杂动态场景开发一个鲁棒算法仍然是一个具有挑战性的问题。

 

在一个固定帧中,外观模型用来表示目标和验证观测。在连续帧中,运动模型用来预测目标的可能状态。本文中,我们关注外观模型,因为它是任何跟踪算法最重要的部分。

 

一个有效的外观模型要考虑几点因素:

1、一个目标可以被不同的特征表示。如灰度,纹理,颜色,超像素,Haar-like特征。此外,表示方法可以建立在全局模板或局部直方图上。

本文中,使用灰度值表示,因为简单有效,此外,采用全局模板的优势区分背景目标和局部块的有效性处理局部遮挡。

2、该模型可验证任何状态观测,或者是生成式模型或者是判别式模型。对于生成式方法,跟踪成为了在目标物体附近搜索最相似的区域。对于判别式方法,跟踪视为一个二值分类问题,旨在设计一个分类器从背景中区分出目标物体。此外,利用生成式和判别式模型的优点,已提出了几种算法。

我们提出一种简单而鲁棒的模型,利用生成式模型解释外观变化,利用判别分类器有效地从背景中区分前景目标。

3、第三个问题就是备受关注的在线更新方案,以使跟踪器能够适应目标对象和背景的外观改变。很多成功的更新方法已被提出,然而,跟踪结果的直接和频繁的更新,由于积累的错误,可逐渐地导致漂移,尤其是在遮挡场景时。

为了捕获外观变化和减少跟踪漂移,我们提出一种方法:更新外观模型时考虑遮挡。

 

 

稀疏表示

稀疏表示近年来被应用于视觉问题,包括图像增强、目标识别、视觉跟踪。Mei等人将稀疏表示应用于视觉跟踪,利用琐碎的模板处理遮挡。尽管被证明成功,仍然有一些问题需要解决。第一,高计算成本。第二,最小重构误差的样本被视为跟踪结果,不确定性可能积累并导致跟踪失败。

 

提出的算法

提出一个协同模型:整合基于全局模板的判别式分类器与使用局部表示的生成式模型。

基于稀疏的判别分类器(SDC:受稀疏表示分类器成功的启发,我们提出基于稀疏判别分类器目标跟踪。简单起见,我们使用向量X表示目标图像的灰度值。

 

基于稀疏的生成式模型(SGM:受稀疏编码在图像分类和目标跟踪成功的激发,我们提出生成式模型的目标表示,考虑局部块信息和遮挡。

 

在我们的跟踪算法中,基于整体模板的置信度值与基于局部块的似然函数共同作用,有助于一个有效且鲁棒的概率描述。

 

更新方案

SDCSGM各自独立被更新。

对于SDC模型,每几帧(我们试验中取5)更新一次消极模板,图像区域偏离当前的跟踪结果(如多于8像素时)。在整个序列中,积极模板保持不变。因为SDC模型旨在从背景中区分前景,它必须确保积极模板和消极模板是正确和不同的。这样,SDC模型是自适应的、有判别力的。

对于SGM模型,相同序列,字典D是固定的。因此,字典不会被跟踪失败或遮挡更新恶化。为了捕获新的外观和从遮挡中恢复目标,模板直方图被式(11)更新。

   if  , (11
新的直方图由第一帧的直方图和按照常量分配的权重最近存储的直方图组成。是新一帧跟踪结果的遮挡情况,由相应遮挡指示向量计算,使用式(12

                                     (12

只要时,就执行更新。该更新方法保留第一个模板,其通常是正确的,并考虑最新到来的模板。

 

实验评估

定量比较:
1、中心误差

2、平均重叠率

定性比较:

1、严重遮挡

2、运动模糊

3、旋转

4、光照变化

5、复杂背景



4、ASLS算法

基于结构局部稀疏外观模型的简单而鲁棒的跟踪方法。该表示基于一种新的对准池方法,利用目标的局部和空间信息。通过集中局部块获得的相似性不仅有助于更准确的定位目标,而且有助于处理遮挡。此外,采用了结合增量子空间学习和稀疏表示的模板更新策略,该策略使模板适应于目标的外观变化,减少了模板漂移的可能性,降低了遮挡目标模板的影响。

5、

CLRST 算法:

基于粒子滤波跟踪框架的低秩稀疏跟踪器(CLRST),利用时间的连续性,CLRST算法自适应筛选候选粒子。通过使用线性稀疏组合的字典模板,所提出的方法利用底层的低阶约束学习对应候选粒子的图像区域的稀疏表示。此外,CLRST算法有吸引人的计算力,因为时间的连续属性帮助删除粒子和为了学习联合稀疏表示的低秩最小化问题能被一系列封闭形式的更新操作有效解决。

低秩表示理论

利用稀疏思想的低秩表示充分利用了矩阵奇异值的稀疏性,在求解过程中尽可能使矩阵的秩达到最小。矩阵的低秩是对所有测试信号求解最低秩的解,充分反映了矩阵X的全局特性,其最优表达系数矩阵可以作为样本信号间的相似性度量。在数学领域中,如果一个矩阵是低秩的,也必定是稀疏的。


你可能感兴趣的:(视觉跟踪,算法)