基于局部稀疏表示的多示例学习跟踪方法研究
针对目标纹理变化、光照和位置变化较大时,跟踪不稳定、易丢失目标的问题,提出通过多示例学习的训练数据生成局部稀疏编码,建立对象的外观模型。首先,目标对象的局部图像块由过完备字典结合稀疏编码表示;其次,分类器学习稀疏编码进而识别背景中的目标;最后,将训练分类器得到的结果输入粒子滤波框架,进而预测目标状态随时间的变化。此外,为了减少字典更新和分类器累积误差形成的视觉漂移,采用弱分类器结合强分类器进行目标跟踪。
局部稀疏表示、多示例学习、分类器
TP391(计算技术、计算机技术)
华东交通大学校立科研基金资助14RJ03
2015-11-03(万方平台首次上网日期,不代表论文的发表时间)
共3页
216-218