基于稀疏模型的在線目標跟蹤

1、u 基于稀疏模型的在線目標跟蹤 u 視覺跟蹤算法簡單綜述 目標跟蹤目標跟蹤 1Xiang Xiang，“A Brief Review on Visual Tracking Methods”，Intelligent Visual Surveillance (IVS), 2011 Third Chinese Conference on，1-2 Dec. 2011. 2 Dong Wang,Huchuan Lu, Ming-Hsuan Yang,”O(jiān)nline Object Tracking With Sparse Prototypes” IEEE Transaction on Image Proc

2、essing ，VOL.22,NO.1,Jan.2013. A Brief Review on Visual Tracking Methods A Brief Review on Visual Tracking Methods Hot topic：在線自適應(yīng)外觀模型 Key techniques： 分類器 在線方法 樣本選擇 漂移問題 Challenges： 場景變化 目標外觀變化 圖像質(zhì)量不高 在線處理 IMAGE REPRESENTATION Typical Image Features 顏色特征 紋理特征 形狀特征 B. Feature Selection Methods 算法目標：使得

3、target從background中區(qū)別出 傳統(tǒng)方法：前向選擇, 后向選擇, 分枝定界法 “tracking-by-detection” APPERANCE MODEL Typical Appearance Models 直方圖或者or Parzen 估計模型 模板匹配 均值漂移 Constellations（星座？） of patches MRF（馬爾科夫隨機場） 推論 稀疏表示模型 APPERANCE MODEL B. On-line Adaptation Methods 如果希望外觀模型緊跟著光度與幾何變化，那么就 需要自適應(yīng)更新外觀模型，因為在線自適應(yīng)允許目 標的表示無論在場景變化還是

4、目標外觀變化時，仍 然能夠每幀保持其特征。近幾年來的研究對這方面 都有所改善。 在線外觀自適應(yīng)模型是一把雙刃劍。 MOTION MODEL 光流法（）光流法（） 貝葉斯過濾框架（）貝葉斯過濾框架（） 基于樣條模型基于樣條模型 CONCLUSION 在有嚴重遮擋和背景干擾下的序列，基于分片的表示 法有更好的魯棒性。 在線監(jiān)督方法魯棒性不好，但是可以從錯誤中恢復。 將離線分類器和在線分類器結(jié)合起來效果好。 基于運動估計的光流法在特征點錯誤匹配時效果很差。 在有光照變化時，魯棒性也不好。 粒子濾波跟蹤器不能精確地跟蹤目標，但是不會產(chǎn)生 漂移現(xiàn)象。 Online Object Tracking Wit

5、h Sparse Prototypes Abstract Introduction 設(shè)計魯棒在線跟蹤算法的難點 跟蹤算法三元素 魯棒跟蹤算法中建立外觀模型需要考慮的因素 減少跟蹤漂移的相關(guān)工作 本文算法的優(yōu)點 Introduction 設(shè)計魯棒在線跟蹤算法的難點 （1）Intrinsic factors 位姿變化 形狀變形 （2）Extrinsic factors 光照變化 相機運動 遮擋 Introduction 跟蹤算法三元素 （1）An appearance（observation）model （2）A dynamic（motion）model （3）A search strategy

6、本文：僅僅討論關(guān)鍵因素包括遮擋和運動模糊 （appearance model） Introduction 魯棒跟蹤算法中建立表示模型需要考慮的因素 （1）如何表示跟蹤目標，需要考慮目標特征選取以及 描述模型算法 （2）表示方法選擇生成模型還是判別模型（本文選擇生成模型） （3）如何進行在線學習以適應(yīng)目標和背景的外觀變化 Introduction 減少跟蹤漂移的相關(guān)工作 （1）Adam et al. 10 propose a fragment-based tracking method using histograms. （2）Yang et al. 26 apply the “bag of w

7、ords” model from the category-level object recognition 27 to visual tracking. （3）In 21, Mei et al. propose a tracking algorithm by casting the problem as determining the most likely patch with a sparse representation of tem-plates. （4）Dinhet al.29 propose a complex co-training approach using generat

8、ive and discriminative t rackers that deals with partial occlusion. Introduction 本文算法的優(yōu)點 （1）跟蹤目標的緊湊表示方法 （2）可以處理高分辨率圖像 （3）能夠有效地解決遮擋問題 （4）僅僅使用生成模型就可以解決局部遮擋問題 Related Work and Context A.基于增量子空間學習的目標跟蹤基于增量子空間學習的目標跟蹤 B.基于稀疏表示的目標跟蹤基于稀疏表示的目標跟蹤 C.本文算法本文算法 Related Work and Context Related Work and Context A.

9、 基于增量子空間學習的目標跟蹤基于增量子空間學習的目標跟蹤 傳統(tǒng)PCA： 1）將所有的訓練圖像列向量化并計算均值，得到 中心化矩陣 2）對中心化矩陣進行SVD分解，得到特征值和特征 向量。 缺點：不適合在線學習 Related Work and Context Related Work and Context Related Work and Context Related Work and Context 稀疏模型的目標跟蹤稀疏模型的目標跟蹤 A .Dynamic model 1.設(shè)置目標狀態(tài)參數(shù) 為了能很好地表示一個目標，首先得設(shè)定目標窗口的狀態(tài)信 息，表示如下： xt yt 表示目標窗口

10、中心點坐標，st表示目標窗口投影到低 維空間的比例，t表示目標窗口后一幀與前一幀的旋轉(zhuǎn)角度， t表示目標窗口高度與寬度所對應(yīng)的方向角，t表示目標窗 口相對于x軸的角度 2.仿射投影變換 對連續(xù)兩幀間的目標運動模型化，進行降維 3.選取樣本 , , ttttttt xx y s 稀疏模型的目標跟蹤稀疏模型的目標跟蹤 tt yy ttt z yUzeU I e 2 1 2 , 1 ( ,)min 2 ii iiiii i z e L z eyUzee 稀疏模型的目標跟蹤稀疏模型的目標跟蹤 B. Observation Model （2）計算似然函數(shù)（通過圖像塊的重建誤差） 傳統(tǒng)方法： 未考慮遮擋 本文方法： 加入懲罰項 2 2 (|)exp() iii i p yxyUz 2 2 (|)exp(|()|(1) iiii ii p yxwyUzw 稀疏模型的目標跟蹤稀疏模型的目標跟蹤 C. 觀測模型的更新觀測模型的更新 （1）每一個瑣碎模板代表一個像素點，前面的非零項系數(shù) 就代表該像素點被遮擋。 （2）計算非零項系數(shù)占總瑣碎模板系數(shù)的百分比，設(shè)定 兩個閾值，tr1和tr2; （3）若tr1,則表示幾乎沒有遮擋，則將得到的目標作為 樣本放入樣本包里；若tr1=tr2,則表示目標受到嚴 重遮擋，則直接將該樣本舍棄。 稀疏模