稀疏表示的超像素在线跟踪
目标表观变化的处理是视觉跟踪领域极具挑战性的问题，该文针对这一问题，在粒子滤波框架下提出一种高效的基于超像素的L1跟踪方法(SuperPixel-L1 tracker, SPL1)。首先利用具有结构性信息的中层视觉线索(超像素)构造字典来对目标的表观建模；然后求解由粒子表示的候选目标状态的 L1范数最小化，把重构误差最小的候选状态作为跟踪的结果；最后进一步改进了字典的在线更新策略，不论目标发生遮挡与否，字典都被学习更新；为了降低目标发生漂移的可能，更新时保留初始帧的信息。仿真结果验证了SPL1在目标发生长时间遮挡、尺度和光照变化时依然能够稳定地跟踪目标。
视觉跟踪、在线学习、表观变化、稀疏表示、超像素
TP391(计算技术、计算机技术)
国家自然科学基金60971098,61201345;现代信息科学与网络技术北京市重点实验室开放课题XDXX1308资助课题
2014-10-31（万方平台首次上网日期，不代表论文的发表时间）
共7页
2393-2399
