高级搜索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于稀疏稠密结构表示与在线鲁棒字典学习的视觉跟踪

袁广林 薛模根

袁广林, 薛模根. 基于稀疏稠密结构表示与在线鲁棒字典学习的视觉跟踪[J]. 电子与信息学报, 2015, 37(3): 536-542. doi: 10.11999/JEIT140507
引用本文: 袁广林, 薛模根. 基于稀疏稠密结构表示与在线鲁棒字典学习的视觉跟踪[J]. 电子与信息学报, 2015, 37(3): 536-542. doi: 10.11999/JEIT140507
Yuan Guang-Lin, Xue Mo-Gen. Visual Tracking Based on Sparse Dense Structure Representation and Online Robust Dictionary Learning[J]. Journal of Electronics & Information Technology, 2015, 37(3): 536-542. doi: 10.11999/JEIT140507
Citation: Yuan Guang-Lin, Xue Mo-Gen. Visual Tracking Based on Sparse Dense Structure Representation and Online Robust Dictionary Learning[J]. Journal of Electronics & Information Technology, 2015, 37(3): 536-542. doi: 10.11999/JEIT140507

基于稀疏稠密结构表示与在线鲁棒字典学习的视觉跟踪

doi: 10.11999/JEIT140507
基金项目: 

国家自然科学基金(61175035, 61379105)资助课题

Visual Tracking Based on Sparse Dense Structure Representation and Online Robust Dictionary Learning

  • 摘要: L1跟踪对适度的遮挡具有鲁棒性,但是存在速度慢和易产生模型漂移的不足。为了解决上述两个问题,该文首先提出一种基于稀疏稠密结构的鲁棒表示模型。该模型对目标模板系数和小模板系数分别进行L2范数和L1范数正则化增强了对离群模板的鲁棒性。为了提高目标跟踪速度,基于块坐标优化原理,用岭回归和软阈值操作建立了该模型的快速算法。其次,为降低模型漂移的发生,该文提出一种在线鲁棒的字典学习算法用于模板更新。在粒子滤波框架下,用该表示模型和字典学习算法实现了鲁棒快速的跟踪方法。在多个具有挑战性的图像序列上的实验结果表明:与现有跟踪方法相比,所提跟踪方法具有较优的跟踪性能。
  • 加载中
计量
  • 文章访问数:  2450
  • HTML全文浏览量:  150
  • PDF下载量:  840
  • 被引次数: 0
出版历程
  • 收稿日期:  2014-04-17
  • 修回日期:  2014-06-30
  • 刊出日期:  2015-03-19

目录

    /

    返回文章
    返回