基于多任务核稀疏模型鲁棒视觉跟踪方法.pdfVIP

鲁棒通过多任务核动态稀疏模型检测异常对象L

季张健

大学计算机与控制，，Email:jizhangjian08@

wqwang@klu@

据我们所知，SR最早是由Mei等[1,2],引入到视

觉中的，他们采用了一系列目标模板和普通模板来表

，稀疏表示已被一些生成式方法成功应用。然

而，很少有方法考虑每个粒子在时域和空间域中的表示示目标的整体外观。后续工作[3]进一步提高了速

度。这些传统的基于SR的仅使用原始像素作为模

之间的相关性。此外，大多数方法使用原始像素作为模

板来表示被目标，而不是复杂特征。因此，对于复杂

板，难以很好地适应复杂的对象变化。为了解决这些问

的目标变化，这些的精度并不令人满意。为了

题，我们考虑了核空间中的稀疏表示，并提出了一种多

任务核动态稀疏算法（MTKDST）。与之前的方法解决这个问题，Wang等[7]提出了在核空间中基于SR

相比，我们{的方法}利用了空间域中粒子间的依赖性以的方法，但没有考虑粒子间的依赖性。，Zhang

及时域中粒子表示的相关性，以提升性能。此外，等[4,5]发现挖掘粒子间的依赖性可以显著提高性

能，但没有采用复杂特征。之前的所有方法都没有对被跟

我们还采用了多核融合机制，以利用多种互补视觉特征

踪目标的稀疏表示的时间一致性进行建模。实际上，在遮

（例如：空间颜色直方图和空间梯度方向直方图），从

挡或外观变化的情况下，它会影响稳定性，并使

而增强所提方法的鲁棒性。在多个具有性的图像序

器偏离目标。

列上的综合实验表明，所方法在精度方面优

于当前最先进的方法。

为了解决上述问题，我们设计了一种新颖高效的多

任务核动态稀疏学习方法用于视觉。主要贡献包括：

(1)将核稀疏表示引入多任务学习框架；(2)我们还

索引术语—多任务学习,核稀疏表示,动态稀疏模

在多任务学习模型中引入了稀疏创新项，以刻画目标稀

型,多核融合,目标

疏表示的时间相关性；(3)同时还包含一个拉斯项，

使系数的相似性能够有效反映候选样本的相似性，从而

1.引言使我们的更加鲁棒。

视觉目标是计算机视觉应用中最重要的研究