基于在线词典学习视觉跟踪算法实现.docVIP

基于在线词典学习视觉跟踪算法实现 　　收稿日期：2014－05－23 　　作者简介：刘师师(1990-),女,湖南郴州人,硕士研究生,主要研究方向:电路与系统; 　　徐学军(1964-),男,湖南益阳人,博士,教授,硕士生导师,主要研究方向:计算机应用技术、医学信息处理、电路与系统等。 　　 　　 　　摘要：针对L1跟踪算法仅考虑了稀疏全局表达的不足，基于在线词典学习的视觉跟踪算法将词典池化的优化方法引入到稀疏表示模型中，充分利用了目标模板的局部结构和空间信息，并采用了一种有效的自适应更新方法，本文根据该算法实现了视觉跟踪处理。通过实验对比IYT、MIL和L1这三种目前较先进的跟踪算法，验证了本跟踪处理器的先进性和有效性。 　　关键词：视觉跟踪； 稀疏表示； 词典池化 　　中图分类号：TP393文献标识码：A文章编号：2095-2163（2014）03-0090-03 　　Realization of The Visual Tracking Algorithm based on Online Dictionary to Learn 　　LIU Shishi， XU Xuejun, LI Min 　　(School of Physics And Electronic Science,Changsha University of Science And Technology,Changsha 410114,China) 　　Abstract：For the problem L1 tracking algorithm only considering sparse global express, pooling optimization method in the visual tracking algorithm based on online learning dictionary is introduced into the sparse representation model, which makes full use of local structure and spatial information. After that,using an effective adaptive updating method, this paper realizes the visual tracking processing. By contrast the experiment of IYT, MIL and L1, these three advanced tracking algorithm, the effectiveness of this tracking processor is verified. 　　Key words：Visual Tracking; Sparse Representation; Pooling Dictionary 　　 　　0引言 　　作为计算机视觉领域的一个重要课题,视觉跟踪更典型的应用主要涉及车辆导航，人机界面和监测研究等方面，而且在其中融合了计算机图像处理、模式识别、人工智能及自动控制等相关领域的诸多知识与关键技术。开展视频目标跟踪的研究旨在模拟人类视觉运动感知功能，提升机器对序列图像中运动目标的辨识能力，由此而为视频分析和理解提供重要的基础实用数据［1-3］。 　　1词典学习 　　目前，已有许多方法提出了基于词典学习的重构误差最小化的稀疏表示，稀疏表示，也称压缩传感，也是为数众多领域的研究基础，并已在多类视觉应用中获得了成功［4］。鉴于稀疏的限制，一个信号可以表示为只有少数基向量的线性组。此后,根据目标模板的存储和更新,即形成了动态词典。针对如何快速而准确地找到查询点的近邻，现已提出了高维空间索引结构和近似查询的很多种方法，本文采用的KD（k-dimensional）树查找即为其中的一种［5］。 　　2模型构建 　　针对样品的一组重叠的局部图像块内的目标区域与空间布局，本文采用了目标模板T=［Ti,T2,…,Tn］，其中n为目标模板数。 　　2.1词典生成 　　初始阶段，从目标模板中选取样本建立模板词典，每5帧图像采用KD树追踪获取nT个范例：在每一帧中选取10个目标，用KD树跟踪这10个目标，存放在范例堆栈中。 　　利用KD树查找最佳候选目标并加入目标模板词典后，可将图像分块，每一块的像素均排置到一起，返回的则是每个块所含的像素标签，及每个块所含的像素大小，由此而形成了块索引，由块索引进而生成了块词典。此处假定块尺寸是8，那么在目标模板分块中每步移动的尺寸就是4。也就是说，块与块之间是有重叠的。这些可能候选区域内的局部块将用作词典编码，