基于l_0正则化的增量低秩特征学习目标跟踪

为了提高生成型目标跟踪算法在遮挡、背景干扰等复杂条件下的性能,在稀疏编码模型中引入l_0范数正则化约束,以减少冗余编码信息并改善目标表观重构效果。同时提出一种新的基于非凸近端加速梯度的快速迭代算法,解决由此产生的非凸非光滑优化问题。设计了一种增量低秩学习策略,和传统方法需要将目标观测数据作为一个整体进行低秩学习不同,本文方法通过l_0正则化稀疏编码能够有效地对目标低秩特征子空间进行在线学习和更新。在多个视频序列上的实验表明:基于l_0正则化的增量低秩学习方法能有效提高目标跟踪算法的准确率和鲁棒性;和8种优秀的跟踪算法相比,本文算法在中心误差稳健性和重叠率稳健性两个指标上都取得了最好结果。

在线低秩表示的目标跟踪算法

针对传统的基于生成模式的跟踪方法对噪声及遮挡问题比较敏感,导致跟踪结果失败的问题,提出了以前几帧的跟踪结果作为观测矩阵,采用鲁棒的主元成分分析模型求解观测模型的低秩特征.当新的视频流到来时,不是把所有的跟踪结果矩阵作为观测矩阵.并提出了新的增量鲁棒的主元成分分析模型,采用增广拉格朗日算法求解新矩阵的低秩特征,并以此低秩矩阵在贝叶斯框架下建立跟踪模型,用恢复的低秩特征更新字典矩阵.将文中方法与其他6种跟踪算法在8种跟踪视频上进行跟踪对比.实验结果表明,所提出的方法具有较低的像素中心位置误差和较高的重叠率.