Structural Sparse Tracking CVPR2015 原理解析

Structural Sparse Tracking CVPR2015 原理解析

首先介绍一下常用tracking方法的分类，主要分为两种类型：

• discriminative approach 鉴别性方法：将tracking化为一个二分类的问题，通过训练分类器，区分目标和背景，从而实现跟踪
• generative approach 生成性方法：将tracking当做一个匹配的过程，生成一个目标的模板，寻找匹配程度最高的，即后验概率最大的位置作为目标的位置预测

这篇论文是基于生成性方法的。本文主要介绍论文的主要原理，并从两个方面阐述：Structural 和 Sparse.

目标函数

minz12∑Kk=1∥∥Xk−DkZk∥∥2F+λ∥Z∥2,1

符号说明：

• 将图像分割为小块， K 为块的个数
• Dk 为字典， Zk 为系数， ∥Z∥2,1 为稀疏正则项

原理很简单，找最佳的重构系数 Z ,求得 Z 以后，每一个tracking candidate i的likelihood定义为 p(yt∥st)=1βexp(−α∑Kk=1∥∥xki−Dkzki∥∥2F ,其中 zki 是第 i 个candidate的第 k 个patch， α 和 β 是归一化参数，likelihood最大的particle即为最终的预测结果。

structural

我的理解是，这个structural 体现在两个方面，首先是将图像分割为有规则的块，块与块之间有结构关系，第二个就是在约束中加入了2,1范数，使得一个candidate不同的patch选用的字典，也即系数的非零项尽量对应相同的template的patch(不同template的patch组成字典）

sparse

稀疏性当然更显而易见了，目标函数中就包括了，这里就不再赘述。

总结

这篇文章其实很简单，希望能够由此做一个好的开始吧。