基于多任务最小软阈值回归方法的目标跟踪

摘要：

在视频跟踪中，模型表示是直接影响跟踪效率的核心问题之一。在随时间和空间变化的复杂数据中学习目标外观模型表示所需的有效模板，从而适应内在或外在因素所引起的目标状态变化是非常重要的。文中详细描述较为鲁棒的目标外观模型表示策略，并提出一种新的多任务最小软阈值回归跟踪算法( MLST)。该算法框架将候选目标的观测模型假设为多任务线性回归问题，利用目标模板和独立同分布的高斯-拉普拉斯重构误差线性表示候选目标不同状态下的外观模型，从而跟踪器能够很好地适应各种复杂场景并准确预测每一时刻的真实目标状态。大量实验证明，文中在线学习策略能够充分挖掘目标在不同时刻的特殊状态信息以提高模型表示精度，使得跟踪器保持最佳的状态，从而在一定程度上提高跟踪性能。实验结果显示，本文算法体现较好的鲁棒性并优于一些目前较先进的跟踪算法。

关键词：子空间学习、模型表示、多任务、目标跟踪

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金项目61272220

在线出版日期：2015-04-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：223-230