局部模板更新逆向联合稀疏表示目标跟踪算法

逆向联合稀疏表示算法可充分利用跟踪过程中的时间相似性和空间连续性,但由于遮挡、光照变化等的影响,易出现跟踪漂移。为解决上述问题,提出一种基于局部模板更新逆向联合稀疏表示目标跟踪算法,其通过逆向局部重构目标模板集完成逆向联合稀疏表示。首先,在首帧初始化目标模板集,利用粒子滤波获取候选图像,并对其分块处理,构建逆向联合稀疏编码模型;然后,利用交替方向乘子法求解出稀疏编码系数,并通过2步评分机制获取最优候选图像;最后,根据相似性得分判断当前帧是否存在局部遮挡,若无遮挡,则局部更新目标模板集以减少跟踪漂移现象。实验结果表明,本文算法的跟踪精度和成功率在OTB-2013数据集上分别达到了85.4%和62.8%,在OTB100数据集上分别达到了76.8%和68.6%,速度达到每秒5.76帧,能有效提高鲁棒性,减少跟踪漂移。

基于低秩约束的逆向联合稀疏跟踪算法

针对目标跟踪算法容易受到背景干扰的问题,提出一种基于低秩约束的逆向联合稀疏跟踪算法。该算法对目标模板和候选模板进行空间重叠分块,对目标模板施加低秩约束,降低杂乱背景的影响,再以候选模板构建视觉子字典联合稀疏表示候选模板。在粒子框架下采取三步打分法评价候选模板,并提出局部模板更新机制,以避免局部遮挡引起的跟踪漂移。实验结果表明,该算法在旋转、快速运动、遮挡、尺度变化和背景散乱等情况下均取得较好的跟踪性能。