朱虎飞 ,丁子豪 ,杨永亮 ,冯旭祥 ,丁大伟

(1.北京科技大学自动化学院,北京 100083;2.北京理工大学自动化学院,北京 100081;3.中国科学院空天信息创新研究院,北京 100094)

1 引言

目标跟踪是计算机视觉研究领域的热点之一,目标跟踪往往由于复杂的背景图像和目标的运动状态的随机性和不确定性,导致精确的检测与目标跟踪成为一项非常困难的工作[1].鲁棒的跟踪算法在出现环境以及目标外观发生改变的情况下,算法仍然能保持较好的跟踪精度[2-3],如何对目标的外观建模是鲁棒跟踪的关键[4].判别方法和生成方法是当前目标跟踪技术中的使用的两种主要方法[5].判别方法[6-8]将跟踪任务建模为基于二分类器的检测问题,将目标对象与背景进行分离.生成方法[9-11]一般先对目标的外观进行学习获得目标表示模型,然后搜索与该模型最相似的图像区域作为跟踪目标.基于稀疏表示的生成式模型所携带的目标信息更丰富,相比于其他方法能较好的处理视角变化和部分遮挡等问题[11].

近年来,稀疏表示(sparse representation,SR)作为一种高效工具广泛应用于分类[12]、视觉跟踪[11]和人脸识别[13]等领域.Mei和Ling将稀疏表示首次应用至目标跟踪领域,提出了L1目标跟踪器[11],在此基础上研究者们又提出了几种改进的基于稀疏表示的目标跟踪算法.Jia[14]和Wang[15]利用目标的局部信息和空间信息,提出了局部稀疏表示模型.Bao等针对L1跟踪器,添加了关于琐碎模板相关系数的L2范数正则项,从而提高了跟踪精度……