结合 PLS 表示与随机梯度的目标优化跟踪

BeardRen

摘 要：针对实际视觉跟踪中目标表观与前背景的非线性变化，论文提出一种基于偏最小二乘分析(PLS)表示与随
# [& I8 X% @: X/ f6 T机梯度的目标优化跟踪方法。该方法将目标跟踪转化为表示误差与分类损失的联合优化问题。首先，为了提高算法
! p" `" g  a2 K% s9 p8 w对前背景表观变化的稳定性，利用 PLS 理论的非线性对目标区域的前背景信息进行表达，并通过空间聚类构造多
个线性外观模型来描述目标区域的动态变化，建立带约束条件的表观特征库；然后，提出一种确定性搜索机制，构
造联合优化目标函数，使表示误差与分类损失最小化；结合表观建模特点，构建随机梯度分类器，对模型进行增量
特征更新，最终实现对目标的稳定准确跟踪。经多场景对比实验验证，该算法能有效应对目标前背景的多种复杂变
! ]1 i5 U5 Z/ i6 Y+ _- H化。
! X/ {+ ?; g- X2 s. R1 |( Y关键词：目标跟踪；偏最小二乘；表观模型；随机梯度；联合优化
' |4 r7 g  E. n- J5 R' Z5 F7 [1 引言
视觉目标跟踪是计算机视觉领域的一项重要研
究方向，目的是将目标从背景中准确分离出来，实
质是目标的连续检测与识别。然而由于实际跟踪场
- v0 |' f0 Q" _7 a: a景中，目标表观与背景往往会出现各种不规律的变
5 `  Y+ [5 _: B% p1 p化，如光照突变、频繁遮挡，目标旋转、相机运动、
背景突变等均对跟踪算法带来了较大挑战。因此如
5 \' ^3 |* ]3 l% N) A何克服这些挑战，有效提高跟踪算法的鲁棒性与准

& |5 ?) g# k! H
$ w; u0 H: W  ?+ E4 a6 R- g


附件下载：

游客，如果您要查看本帖隐藏内容请回复

+ j7 H+ S& z, D) E. x) Y2 r
: j4 R! A# J% R

wuhoou

谢谢分享