基于增量式低秩學(xué)習(xí)的視頻目標跟蹤.pdf

1、視頻目標跟蹤是計算機視覺的一個研究熱點，已經(jīng)在監(jiān)視、機器人、醫(yī)學(xué)圖像、以及人機交互等領(lǐng)域有著許多應(yīng)用。盡管學(xué)者們在這個研究課題上做出了大量努力，但是，嚴重的遮擋、劇烈的姿態(tài)、尺度和光照的變化、雜亂的背景、多變的視角等引起的目標物體的表觀變化使得視頻跟蹤依然是一個極具挑戰(zhàn)性的難題。
　　研究發(fā)現(xiàn)，子空間表示對于目標物體的平面內(nèi)旋轉(zhuǎn)、尺度和姿態(tài)變化以及光照改變具有魯棒性并且易于計算，所以許多基于子空間學(xué)習(xí)的視頻跟蹤算法被相繼提出。這一

2、套算法通過構(gòu)造目標所在的低維子空間，以得到能夠在線地適應(yīng)目標物表觀變化的表觀模型(appearancemodel)。但是，對于視頻序列中的目標物來說，這些算法都不能對它們整體上的結(jié)構(gòu)進行限制，從而無法準確地把握目標物體表觀的整體子空間結(jié)構(gòu)。最近，一些新的基于低秩性的魯棒子空間學(xué)習(xí)模型被相繼提出，例如RPCA、LRR等。它們能夠從受污染的觀測數(shù)據(jù)中恢復(fù)出其本質(zhì)的低秩子空間結(jié)構(gòu)。但是當前的這些低秩模型無法直接用于增量式的視頻處理。受到以上討

3、論的啟發(fā)，本文提出了兩種基于增量式低秩學(xué)習(xí)的視頻跟蹤算法。
　　首先，本文基于增量式低秩特征學(xué)習(xí)提出了一個新的魯棒的視頻目標跟蹤算法。該算法實際上將RobustPCA(RPCA)擴展到了在線學(xué)習(xí)領(lǐng)域。與之前的方法相比較，該算法不再從受污染的觀測數(shù)據(jù)直接學(xué)習(xí)子空間，而是增量式追蹤目標的低秩特征并且通過稀疏誤差項檢測遮擋。然后，本文又提出了一個新的子空間學(xué)習(xí)方法以解決魯棒的視頻目標跟蹤問題。該算法增量式追蹤最優(yōu)低秩投影，該投影的列向量