l_p范数正则化视觉跟踪

针对稀疏表示目标跟踪算法解析过程中计算繁琐,且跟踪算法由于众多因素的干扰造成跟踪效率低的问题,文中提出在贝叶斯推理框架下,基于l_p范数正则化的视觉跟踪算法.以解决纹理改变、光照变化、旋转变形,背景干扰以及尺度变化的目标跟踪效率问题.文中算法提出一种新的在迭代加速梯度框架下通用的软阈值操作方法,能够自适应调节子空间中最具代表性的模板表示目标外观.通过软阈值操作解决l_p范数正则化非凸最小化求解问题.实验对比证明了当目标受到非理想因素干扰时,所提算法具有良好的实时性和健壮的鲁棒性.

联合低秩和e_p稀疏约束矩阵回归的人脸识别算法

针对遮挡和光照等因素影响的人脸图像,提出一种具有低秩稀疏性的矩阵回归模型。该模型采用低秩性约束回归误差,采用p范数约束回归系数使其达到稀疏最大化,然后通过广义迭代阈值算法求解p范数,最后用交替方向法求解模型参数。在AR和Extended Yale B人脸数据库上的实验表明,与当前的回归算法相比,该算法具有更高的识别率,能够更好地消除由遮挡引起的结构性噪声,且对光照变化也具有更强的鲁棒性。