基于稀疏模型的在线目标跟踪.ppt

Ⅳ 稀疏模型的目标跟踪 A .Dynamic model 1.设置目标状态参数 为了能很好地表示一个目标，首先得设定目标窗口的状态信息，表示如下： xt yt 表示目标窗口中心点坐标，st表示目标窗口投影到低维空间的比例，θt表示目标窗口后一帧与前一帧的旋转角度，αt表示目标窗口高度与宽度所对应的方向角，Φt表示目标窗口相对于x轴的角度 2.仿射投影变换 对连续两帧间的目标运动模型化，进行降维 3.选取样本 Ⅳ 稀疏模型的目标跟踪 Ⅳ 稀疏模型的目标跟踪 B. Observation Model （2）计算似然函数（通过图像块的重建误差） 传统方法： ——未考虑遮挡 本文方法： ——加入惩罚项 Ⅳ 稀疏模型的目标跟踪 C. 观测模型的更新 （1）每一个琐碎模板代表一个像素点，前面的非零项系数就代表该像素点被遮挡。 （2）计算非零项系数占总琐碎模板系数的百分比η，设定两个阈值，tr1和tr2; （3）若ηtr1,则表示几乎没有遮挡，则将得到的目标作为样本放入样本包里；若tr1=η=tr2，则表示目标有部分遮挡，将非零项系数用相对应的前面更新得到的均值填充，在将该样本放入样本包里；若ηtr2,则表示目标受到严重遮挡，则直接将该样本舍弃。 Ⅳ 稀疏模型的目标跟踪 Ⅴ Experiments Ⅵ Conclusion 本文综合利用子空间模型和稀疏表示优点，在外观更新和目标跟踪中考虑局部遮挡和运动模糊问题，提出这种鲁棒跟踪算法。通过定性和定量实验验证该算法的有效性以及存在的不足。 可改进或应用点 实时应用中的目标跟踪 可用于目标识别 在线正交子空间方法 多视觉线索 * * 基于稀疏模型的在线目标跟踪 视觉跟踪算法简单综述 目标跟踪 [1]Xiang 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,”Online Object Tracking With Sparse Prototypes” IEEE Transaction on Image Processing ，VOL.22,NO.1,Jan.2013. A Brief Review on Visual Tracking Methods A Brief Review on Visual Tracking Methods Hot topic：在线自适应外观模型 Key techniques： 分类器 在线方法 样本选择 漂移问题 Challenges： 场景变化 目标外观变化 图像质量不高 在线处理 IMAGE REPRESENTATION Typical Image Features 颜色特征 纹理特征 形状特征 B. Feature Selection Methods 算法目标：使得target从background中区别出 传统方法：前向选择, 后向选择, 分枝定界法 “tracking-by-detection” APPERANCE MODEL Typical Appearance Models 直方图或者or Parzen 估计模型 模板匹配 均值漂移 Constellations（星座？） of patches MRF（马尔科夫随机场） 推论 稀疏表示模型 APPERANCE MODEL B. On-line Adaptation Methods 如果希望外观模型紧跟着光度与几何变化，那么就需要自适应更新外观模型，因为在线自适应允许目标的表示无论在场景变化还是目标外观变化时，仍然能够每帧保持其特征。近几年来的研究对这方面都有所改善。 在线外观自适应模型是一把双刃剑。 MOTION MODEL 光流法（★） 贝叶斯过滤框架（★） 基于样条模型 CONCLU