×
宋志国；孙继峰；于佳林；刘胜清

通过补丁描述符和结构局部稀疏表示实现鲁棒的视觉跟踪。 （英语） Zbl 1457.94025号

算法（巴塞尔） 11，第8号，第126号论文，18页（2018）.
摘要：外观模型在视觉跟踪中起着重要作用。由于部分遮挡、光照变化和变形等因素引起的目标外观变化，对被跟踪对象外观的有效建模仍然是一个具有挑战性的问题。本文提出了一种基于面片描述符和结构局部稀疏表示的跟踪方法。该方法首先将目标划分为多个非重叠的面片，通过结构局部稀疏表示获得面片稀疏系数。其次，将每个补丁进一步分解为几个子补丁。补丁描述符定义为重建误差小于给定阈值的子补丁的比例。最后，通过面片描述符和面片稀疏系数对对象的外观进行建模。此外，为了适应对象的外观变化和减轻模型漂移，引入了一种离群值软件模板更新方案。在大型基准数据集上的实验结果证明了该方法的有效性。

MSC公司：

94A08型 信息与通信理论中的图像处理（压缩、重建等）
68T45型 机器视觉和场景理解

关键词：

视觉跟踪；补丁描述符；结构局部稀疏表示；离群值软件模板更新方案

软件：

PASCAL挥发性有机化合物
PDF格式BibTeX公司 XML格式引用
\textit{Z.Song}等人，《算法（巴塞尔）》11，第8期，第126号论文，第18页（2018；Zbl 1457.94025）
全文： 内政部

参考文献：

[1] 克拉夫卡，K。；科斯拉，A。；Kellnhofer，P。；Kannan，H。；每个人的眼睛跟踪；IEEE计算机视觉和模式识别会议论文集：，2176-2184.
[2] 巴拉蒂有限公司。；Wu，Y。；隋，Y。；帕吉特，C。；Wang，H。；无人机感空机构实时障碍物检测与跟踪；IEEE传输。智力。车辆：2018; 第3卷，185-197年。
[3] 郑，F。；邵，L。；Han，J。；鲁棒长期目标跟踪及其在车辆中的应用；IEEE传输。智力。运输。系统：2018; .
[4] D.A.罗斯。；Lim，J。；林，R.S。；杨，M.H。；基于增量学习的鲁棒视觉跟踪；国际期刊计算。视觉：2008; 第77卷，125-141。
[5] Kwon，J。；K.M.李。；视觉跟踪分解；IEEE计算机视觉和模式识别会议论文集：，1269-1276.
[6] Wright，J。；杨，A.Y。；Ganesh，A。；Sastry，S.S.公司。；马云（Ma，Y.）。；基于稀疏表示的鲁棒人脸识别；IEEE传输。模式分析。机器。智力：2009; 第31卷，210-227。
[7] 梅，X。；H.B.Ling。；基于L1最小化的鲁棒视觉跟踪；计算机视觉国际会议论文集：，1436-1443.
[8] 梅，X。；H.B.Ling。；基于稀疏表示的鲁棒视觉跟踪与车辆分类；IEEE传输。模式分析。机器。智力：2011; 第33卷，2259-2272。
[9] 贾，X。；卢，H。；杨，M.H。；基于自适应结构局部稀疏外观模型的视觉跟踪；IEEE计算机视觉和模式识别会议论文集：，1822-1829.
[10] 郭杰。；徐，T。；沈，Z。；施，G。；具有可靠结构约束的稀疏表示视觉跟踪；IEEE信号处理。通讯：2017年；第24卷，146-150。
[11] 兰，X。；张，S。；P.C.袁。；切拉帕，R。；学习常见模式和特征特定模式：一种新的基于多稀疏表示的跟踪器；IEEE传输。图像处理：2018; 第27卷，2022-2037·Zbl 1409.94314号
[12] 张，C。；李，Z。；王，Z。；多特征跟踪的联合压缩表示；神经计算：2018年；第299卷，32-41页。
[13] 阿维丹，S。；信号群跟踪；IEEE传输。模式分析。机器。智力：2007; 第29卷，261-271。
[14] 格拉布纳，H。；Leistner，C。；比肖夫，H。；用于鲁棒跟踪的半监督在线升压算法；欧洲计算机视觉会议记录：，234-247.
[15] Babenko，B。；Yang，医学博士。；Belongie，S。；基于在线多实例学习的视觉跟踪；IEEE计算机视觉和模式识别会议论文集：，983-990.
[16] 黑尔，S。；萨法里，A。；托尔，P.H.S。；Struck：带核的结构化输出跟踪；计算机视觉国际会议论文集：，263-270.
[17] Bolme，D.S。；Beveridge，J.R。；德雷珀，学士。；Lui，Y.M。；基于自适应相关滤波器的视觉目标跟踪；IEEE计算机视觉和模式识别会议论文集：，2544-2550.
[18] 亨利克斯，J.F。；卡塞罗，R。；马丁斯，P。；巴蒂斯塔，J。；利用核检测来开发跟踪的循环结构；欧洲计算机视觉会议记录：，702-715.
[19] 亨利克斯，J.F。；卡塞罗，R。；马丁斯，P。；巴蒂斯塔，J。；基于核化相关滤波器的高速跟踪；IEEE传输。模式分析。机器。智力：2015; 第37卷，583-596。
[20] Danelljan，M。；哈格尔，G。；F.S.Khan。；费尔斯伯格，M。；鲁棒视觉跟踪的精确尺度估计；英国机器视觉会议（BMVC）会议记录：，65.1-65.11.
[21] 贝尔蒂内托，L。；瓦尔马德雷，J。；Golodetz，S。；米克西克，O。；托尔，P.H.S。；Staple:实时跟踪的补充学习者；IEEE计算机视觉和模式识别会议论文集：，1401-1409.
[22] 马，C。；黄J.B。；杨，X。；杨，M.H。；视觉跟踪的层次卷积特征；计算机视觉国际会议论文集：，3074-3082.
[23] 齐，Y。；张，S。；秦，L。；姚，H。；黄，Q。；Lim，J。；杨，M.H。；对冲深度追踪；IEEE计算机视觉和模式识别会议论文集：，4303-4311.
[24] Danelljan，M。；巴特·G。；F.S.Khan。；费尔斯伯格，M。；ECO：用于跟踪的高效卷积算子；IEEE计算机视觉和模式识别会议论文集：，6638-6646.
[25] 李，X。；胡，W。；沈，C。；张，Z。；迪克，A。；A.V.D.亨格尔。；视觉目标跟踪中的外观模型综述；ACM事务处理。智力。系统。技术：2013; 第4卷，58:1-58:48。
[26] Wu，Y。；Lim，J。；杨，M.H。；在线对象跟踪：一个基准；IEEE计算机视觉和模式识别会议论文集：，2411-2418中。
[27] A.亚当。；Rivlin，E。；Shimshoni，I。；基于积分直方图的鲁棒碎片跟踪；IEEE计算机视觉和模式识别会议论文集：，798-805.
[28] Kwon，J。；K.M.李。；基于块动态外观建模和自适应盆地跳跃蒙特卡罗采样的非刚体目标跟踪；IEEE计算机视觉和模式识别会议论文集：，1208-1215之间。
[29] 张，T。；贾凯。；徐，C。；马云（Ma，Y.）。；阿胡加，N。；基于鲁棒零件匹配的视觉跟踪中的部分遮挡处理；IEEE计算机视觉和模式识别会议论文集：，1258-1265.
[30] 蔡，Z。；Wen，L。；雷，Z。；Vasconcelos，N。；Li，S.Z。；基于动态图的鲁棒可变形遮挡目标跟踪；IEEE传输。图像处理：2014年；第23卷，5497-5509·Zbl 1374.94053号
[31] 王，X。；Valstar，M。；马丁内斯，B。；M.H.Khan。；TRIC跟踪：基于增量学习级联的回归跟踪；计算机视觉国际会议论文集：，4337-4345.
[32] Sun，C。；王，D。；卢，H。；基于遮挡的时空一致性碎片跟踪；IEEE传输。图像处理：2016; 第8卷，3814-3825·Zbl 1408.94619号
[33] 李毅。；朱，J。；海，S.C.H。；可靠的补丁跟踪器：利用可靠的补丁进行鲁棒的视觉跟踪；IEEE计算机视觉和模式识别会议论文集：，353-361.
[34] Chen，W。；张凯。；刘，Q。；基于自适应多特征集成的基于块核相关滤波器的鲁棒视觉跟踪；神经计算：2016年；第214卷，第607-617页。
[35] 卡拉尔，Z。；Mikolajczyk，K。；马塔斯，J。；跟踪学习检测；IEEE传输。模式分析。机器。智力：2012; 第34卷，1409-1422。
[36] 张杰。；马，S。；Sclaroff，S。；MEEM：基于熵最小化的多专家鲁棒跟踪；欧洲计算机视觉会议记录：，188-203.
[37] 马，C。；杨，X。；张，C。；杨，M.H。；长期相关跟踪；IEEE计算机视觉和模式识别会议论文集：，5388-5396之间。
[38] Danellja，M。；哈格尔，G。；F.S.Khan。；费尔斯伯格，M。；训练集的自适应去污：判别视觉跟踪的统一公式；IEEE计算机视觉和模式识别会议论文集：，1430-1438.
[39] Shi，R。；Wu，G。；Kang，W。；王，Z。；冯，D.D。；基于鲁棒互补学习器和自适应精炼器的视觉跟踪；神经计算：2017年；第260卷，第367-377页。
[40] Everingham，M。；Gool，L.V.公司。；威廉姆斯，C.K.I。；Winn，J。；齐瑟曼，A。；Pascal可视对象类（VOC）挑战；国际期刊计算。视觉：2010; 第88卷，303-338。
[41] 张凯。；张，L。；刘，Q。；张，D。；杨，M.H。；基于密集时空上下文学习的快速视觉跟踪；欧洲计算机视觉会议记录：，127-141.
[42] Wang，N。；Yeung，D.Y。；学习用于视觉跟踪的深度压缩图像表示；神经信息处理系统进展综述：，809-817.
[43] 张凯。；张，L。；杨，M.H。；实时压缩跟踪；欧洲计算机视觉会议记录：，864-877.
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。