基于局部稀疏表示模型的在線字典學習跟蹤算法研究.pdf

1、視覺跟蹤是計算機視覺領域內(nèi)的重要問題，它在人機交互、認知系統(tǒng)、視頻監(jiān)控等領域具有廣闊的應用前景。雖然人們對該領域進行了廣泛的研究，但在實際目標跟蹤過程中還會遇到遮擋、形變等挑戰(zhàn)性問題。因此，視覺跟蹤的研究具有很高的實用價值和現(xiàn)實意義。本文在現(xiàn)有計算機視覺跟蹤算法的基礎上提出了基于局部稀疏表示模型的在線字典學習跟蹤算法。
　　首先，本文提出了一種局部稀疏表示模型來獲取目標的局部信息，首先對目標進行分塊，然后對每個局部小塊獨立構(gòu)造其稀

2、疏字典，并通過計算候選區(qū)域中每個小塊與目標模板對應塊的相似度，獲得每個局部小塊在目標圖像中的投票圖，再把所有局部投票圖結(jié)合起來，得到一張描述目標全局情況的綜合投票圖，從而獲得目標位置的最佳估計。
　　其次，傳統(tǒng)的模板更新策略根據(jù)權(quán)值動態(tài)更新字典中權(quán)值最小的一列，并不能保證替換后的字典只需少量原子就可以重構(gòu)當前目標，這點直接影響求解系數(shù)的稀疏性。本文將字典學習理論引入到模板更新策略中，使用目標近期的跟蹤結(jié)果作為訓練集，自適應地學習目

3、標字典，從而保證獲取到的字典對目標維持高度描述性。
　　最后，字典學習部分需要進行大量矩陣運算，對于這類高并行度的運算，本文考慮使用GPU作為計算資源，在CUDA架構(gòu)下與CPU結(jié)合，根據(jù)需要將合適的計算類型放在相應的計算資源上，實現(xiàn)資源的合理分配。
　　實驗結(jié)果表明，本文所提出的方法與各種流行跟蹤算法相比穩(wěn)定可靠且具有良好的抗遮擋性，在海上紅外目標和較高難度的公用圖像序列上取得良好跟蹤效果。同時，使用GPU對字典學習中的矩陣