科研之友
微信
新浪微博
Facebook
分享链接
摘要
现有的低秩稀疏优化目标跟踪算法容易存在下述两方面问题:①需要求解大量l1优化问题,计算复杂度高.②在目标突变运动情况下,经常出现跟踪漂移现象.为此,提出一种反向低秩稀疏约束下基于融合最小绝对值收缩和选择算子(Lasso)的目标跟踪算法.首先,建立目标表观的反向稀疏表示描述,利用候选粒子反向稀疏表示目标模板,将在线跟踪中l1优化问题的数目由候选粒子数简化为1.其次,将融合Lasso模型引入到目标跟踪建模中,约束表示系数差分的绝对值之和,保证表示系数稀疏性的同时,使其连续性差异亦稀疏.从而限制目标表观在相邻帧间具有较小差异,但允许个别帧间存在较大差异性,以适应目标的突变运动.再次,利用核范数凸近似低秩约束,限制目标表观的时域相关性,以适应目标的外观变化.实验结果表明,面向具有严重遮挡、光照和尺度变化、目标突变运动等挑战性的标准跟踪数据集,提出算法能完成复杂场景下的跟踪任务.与目前几种热点算法进行定性与定量分析比较,提出算法具有更高的跟踪精度和较快的跟踪速度,特别是在目标突变运动情况下具有更好的鲁棒性.
- 单位
