基于自适应同时稀疏表示的鲁棒性目标追踪

综合考虑高斯噪声和拉普拉斯噪声,并通过拉普拉斯噪声的能量大小自适应的选择稀疏模型,该文提出了基于同时稀疏表示的自适应追踪算法。该算法可以更好的解决目标遮挡、姿势改变、光照变化和背景混杂等追踪问题,且具有更强的鲁棒性。其次提出一种基于子空间学习和无监督学习(K-means)相结合的模板更新方法,该方法一方面可以及时有效地反应目标的状态,另一方面也可以避免模板更新过快而引入较大的误差。然后,利用LASSO算法对该模型做了进一步的改进,并将目前较好的9种追踪算法与该文提出的算法进行比较,实验结果表明该算法在鲁棒性、精确性和实时性方面都得到了较好的改善。