基于HOG特征及稀疏外觀模型的目標(biāo)跟蹤

劉天池

摘要：提出一種基于HOG特征結(jié)合稀疏外觀模型（HOG-SPAM）的目標(biāo)跟蹤算法。提取目標(biāo)模版和候選目標(biāo)的HOG特征，HOG特征對圖像的幾何形變、光照以及陰影變化具有較強(qiáng)的魯棒性；使用提取的HOG特征構(gòu)建目標(biāo)的稀疏外觀模型，稀疏外觀模型對目標(biāo)外觀變化具有魯棒性，采用對齊匯聚方法度量候選目標(biāo)與目標(biāo)之間的相似性。在多個基準(zhǔn)圖像序列中，與已有流行方法相比，HOG-SPAM算法在目標(biāo)外觀變化和光照變化情況下有較好的魯棒性，同時在復(fù)雜背景情況下也具有一定魯棒性。

關(guān)鍵詞：稀疏表示；HOG特征；稀疏外觀模型

DOIDOI：10.11907/rjdk.161559

中圖分類號：TP301文獻(xiàn)標(biāo)識碼：A文章編號：1672-7800（2016）006-0013-03

參考文獻(xiàn)：

[1]AVIDAN S. Ensemble tracking[J].Pattern Analysis and Machine Intelligence，2007， 29（2）： 261-271.

[2]COLLINS R T， LIU Y， LEORDEANU M.Online selection of discriminative tracking features[J].Pattern Analysis and Machine Intelligence，2005， 27（10）： 1631-1643.

[3]GRABNER H， GRABNER M， BISCHOF H.Real-time tracking via on-line boosting[C].BMVC，2006：6.

[4]GRABNER H， LEISTNER C， BISCHOF H.Semi-supervised on-line boosting for robust tracking[M].Computer Vision-ECCV 2008.Springer Berlin Heidelberg， 2008： 234-247.

[5]BABENKO B， YANG M H， BELONGIE S.Visual tracking with online multiple instance learning[C].Computer Vision and Pattern Recognition， 2009.CVPR 2009.IEEE Conference on.IEEE， 2009： 983-990.

[6]KALAL Z， MATAS J， MIKOLAJCZYK K.PN learning：bootstrapping binary classifiers by structural constraints[C].Computer Vision and Pattern Recognition （CVPR）， 2010 IEEE Conference on.IEEE， 2010： 49-56.

[7]ROSS D A， LIM J， LIN R S， et al.Incremental learning for robust visual tracking[J].International Journal of Computer Vision， 2008， 77（1-3）： 125-141.

[8]KWON J， LEE K M.Visual tracking decomposition[C].Computer Vision and Pattern Recognition （CVPR）， 2010 IEEE Conference on.IEEE， 2010： 1269-1276.

[9]YANG M， WU Y， HUA G.Context-aware visual tracking[J].Pattern Analysis and Machine Intelligence， IEEE Transactions on， 2009， 31（7）： 1195-1209.

[10]MEI X， LING H.Robust visual tracking using L-1 minimization[C].Computer Vision， 2009 IEEE 12th International Conference on.IEEE， 2009： 1436-1443.

[11]MEI X， LING H， WU Y， et al.Minimum error bounded efficient L1 tracker with occlusion detection[C].Computer Vision and Pattern Recognition （CVPR）， 2011 IEEE Conference on.IEEE， 2011： 1257-1264.

[12]LIU B， YANG L， HUANG J， et al.Robust and fast collaborative tracking with two stage sparse optimization[M].Computer Vision–ECCV 2010.Springer Berlin Heidelberg， 2010： 624-637.

[13]LIU B， HUANG J， YANG L， et al.Robust tracking using local sparse appearance model and k-selection[C].Computer Vision and Pattern Recognition （CVPR）， 2011 IEEE Conference on.IEEE， 2011： 1313-1320.

[14]JIA X， LU H， YANG M H.Visual tracking via adaptive structural local sparse appearance model[C].Computer vision and pattern recognition （CVPR）， 2012 IEEE Conference on. IEEE， 2012： 1822-1829.

[15]ZHANG T， LIU S， XU C， et al. Structural sparse tracking[C].Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2015： 150-158.

[16]ZHONG W， LU H， YANG M H. Robust object tracking via sparsity-based collaborative model[C].IEEE Conference on Computer Vision and Pattern Recognition. IEEE Computer Society， 2012：1838-1845.