隋、姚；唐亚飞；张，李；王广辉 基于子空间学习的视觉跟踪：一种鉴别方法。 （英语） Zbl 1458.68254号 国际期刊计算。视觉。 126，第5号，515-536（2018）. 小结：良好的跟踪性能通常归因于对先前获得的目标的准确表示和/或目标与周围背景之间的可靠区分。在这项工作中，通过综合这两种方法的优点，提出了一种鲁棒跟踪器。构造一个子空间来表示目标和相邻背景，并通过学习的子空间同时传播它们的类标签。此外，考虑到区分的可靠性和表示的准确性，提出了一种新的准则，用于从每个帧中的多个候选目标中识别目标。因此，在训练集仍然较小的情况下，有效地缓解了相邻背景样本的类标签中的模糊性，这影响了鉴别跟踪模型的可靠性。大量实验表明，该方法优于大多数最先进的跟踪器。 MSC公司： 68T45型 机器视觉和场景理解 68T05型 人工智能中的学习和自适应系统 关键词：视觉跟踪；判别子空间；联合学习；稀疏表示；低阶近似 PDF格式BibTeX公司 XML格式引用 \textit｛Y.Sui｝等人，国际计算机杂志。视觉。126，第5号，515--536（2018；Zbl 1458.68254） 全文： 内政部 参考文献： [1] Arulampalam，M.、Maskell，S.、Gordon，N.和Clapp，T.（2002年）。在线非线性/非高斯贝叶斯跟踪的粒子滤波器教程。IEEE信号处理汇刊（TSP），50（2），174-188·doi:10.1109/78.978374 [2] Avidan，S.（2004）。支持矢量跟踪。IEEE模式分析和机器智能汇刊（TPAMI），26（8），1064-1072·doi:10.1109/TPAMI.2004.53 [3] Avidan，S.（2007年）。信号群跟踪。IEEE模式分析和机器智能汇刊（TPAMI），29（2），261-271·doi:10.1109/TPAMI.2007.35 [4] Babenko，B.，成员，S.，Yang，M.H.，&成员，S..（2011年）。具有在线多实例学习的鲁棒对象跟踪。IEEE模式分析和机器智能汇刊（TPAMI），33（8），1619-1632·doi:10.1109/TPAMI.2010.226 [5] Beck，A.和Teboulle，M.（2009年）。线性反问题的快速迭代收缩阈值算法。SIAM成像科学杂志，2（1），183-202·兹比尔1175.94009 ·doi:10.1137/080716542 [6] Cai，J.、Candès，E.和Shen，Z.（2010）。矩阵补全的奇异值阈值算法。SIAM优化杂志，20（4），1956-1982·Zbl 1201.90155号 ·doi:10.1137/080738970 [7] Candes，E.J.、Li，X.、Ma，Y.和Wright，J.（2011）。稳健的主成分分析？美国医学会杂志，58（3），1-37·Zbl 1327.62369号 ·数字对象标识代码：10.1145/1970392.1970395 [8] Danelljan，M.、Häger，G.、Khan，F.S.和Felsberg，M.（2014）。用于鲁棒视觉跟踪的精确比例估计。英国机器视觉会议（BMVC） [9] Dinh，T.B.、Vo，N.和Medioni，G.（2011年）。上下文跟踪器：探索无约束环境中的支持者和干扰者。IEEE计算机学会计算机视觉和模式识别会议（CVPR）（第1177-1184页）。 [10] Grabner，H.和Bischof，H.（2006）。在线激励和愿景。IEEE计算机学会计算机视觉和模式识别会议（CVPR），（第1卷，第260-267页） [11] Hager，G.D.和Belhumeur，P.N.（1996年）。实时跟踪几何和照明变化的图像区域。IEEE计算机学会计算机视觉和模式识别会议（CVPR）（第403-410页）。 [12] Hare，S.、Saffari，A.和Torr，P.（2011年）。Struck：用内核进行结构化输出跟踪。在IEEE国际计算机视觉会议（ICCV）上（第263-270页）。 [13] Henriques，F.、Caseiro，R.、Martins，P.和Batista，J.（2012年）。利用内核开发逐点跟踪的循环结构。欧洲计算机视觉会议（ECCV）（第702-715页） [14] Henriques，J.、Caseiro，R.、Martins，P.和Batista，J.（2015）。使用内核化相关滤波器进行高速跟踪。IEEE模式分析和机器智能汇刊（TPAMI），37（3），583-596·doi:10.1109/TPAMI.2014.2345390 [15] Isard，M.（1998）。凝聚：视觉跟踪的条件密度传播。国际计算机视觉杂志（IJCV），29（1），5-28·doi:10.1023/A:1008078328650 [16] Jia，X.、Lu，H.和Yang，M.H.（2012）。基于自适应结构局部稀疏外观模型的视觉跟踪。IEEE计算机学会计算机视觉和模式识别会议（CVPR）（第1822-1829页）。 [17] Kalal，Z.、Matas，J.和Mikolajczyk，K.（2010年）。P-N学习：通过结构约束引导二进制分类器。在IEEE计算机学会关于计算机视觉和模式识别（CVPR）的会议上（第49-56页）。 [18] Kalal，Z.、Mikolajczyk，K.和Matas，J.（2012）。跟踪-学习-检测。IEEE模式分析和机器智能汇刊（TPAMI），34（7），1409-1422·doi:10.1109/TPAMI.2011.239 [19] Kriegmant，D.J.，Engineering，E.，&Haven，N.（1996年）。在所有可能的照明条件下，对象的图像集是什么？IEEE计算机学会计算机视觉和模式识别会议（CVPR）（第270-277页）。 [20] Kwon，J.和Lee，K.（2010年）。视觉跟踪分解。IEEE计算机学会计算机视觉和模式识别会议（CVPR）（第1269-1276页）。 [21] Kwon，J.和Lee，K.M.（2011年）。通过采样跟踪器进行跟踪。IEEE计算机视觉国际会议（ICCV）（第1195-1202页）。 [22] Kwon，J.和Lee，K.M.（2014）。通过采样和集成多个跟踪器进行跟踪。IEEE模式分析和机器智能汇刊（TPAMI），36（7），1428-1441·doi:10.1109/TPAMI.2013.213 [23] Lasserre，J.A.、Bishop，C.M.和Minka，T.P.（2006）。生成模型和区分模型的原则性混合。IEEE计算机学会计算机视觉和模式识别会议（CVPR）（第6卷，第87-94页）。 [24] Lin，Z.、Chen，M.和Ma，Y.（2010）。精确恢复受损低秩矩阵的增广拉格朗日乘子方法。UIUC技术报告（第1-23页）。 [25] Liu，B.、Huang，J.、Yang，L.和Kulikowsk，C.（2011）。使用局部稀疏外观模型和K选择进行鲁棒跟踪。在IEEE计算机学会关于计算机视觉和模式识别（CVPR）的会议上（第1313-1320页）。 [26] Liu，S.，Zhang，T.，Cao，X.，&Xu，C.（2016）。用于鲁棒视觉跟踪的结构相关滤波器。在IEEE计算机学会关于计算机视觉和模式识别（CVPR）的会议上。 [27] Liu，B.、Huang，J.、Kulikowski，C.和Yang，L.（2013）。使用局部稀疏外观模型和K选择的鲁棒视觉跟踪。IEEE模式分析和机器智能汇刊（TPAMI），35（12），2968-2981·doi:10.1109/TPAMI.2012.215 [28] Ma，C.、Huang，J.B.、Yang，X.和Yang，M.H.（2015a）。视觉跟踪的层次卷积特征。IEEE计算机视觉国际会议（ICCV）（第3074-3082页）。 [29] Ma，C.，Yang，X.，Zhang，C.，&Yang，Mh.（2015b）。长期相关跟踪。IEEE计算机学会计算机视觉和模式识别会议（CVPR）（第5388-5396页）。 [30] Mairal，J.、Bach，F.和Ponce，J.（2008）。用于局部图像分析的识别性学习词典。在IEEE计算机学会关于计算机视觉和模式识别（CVPR）的会议上。 [31] Mei，X.和Ling，H.（2009）。使用L1最小化的鲁棒视觉跟踪。IEEE计算机视觉国际会议（ICCV）（第1436-1443页）。 [32] Mei，X.和Ling，H.（2011）。通过稀疏表示实现稳健的视觉跟踪和车辆分类。IEEE模式分析和机器智能汇刊（TPAMI），33（11），2259-2272·doi:10.1109/TPAMI.2011.66 [33] Nam，H.，&Han，B.（2016）。学习用于视觉跟踪的多域卷积神经网络。在IEEE计算机学会关于计算机视觉和模式识别（CVPR）的会议上。 [34] Ng，A.Y.和Jordan，M.I.（2001）。区分性分类器与生成性分类器：逻辑回归与朴素贝叶斯的比较。《神经信息处理系统进展》（NIPS）（第841-848页）。 [35] Pati，Y.、Rezaiifar，R.和Krishnaprasad，P.（1993）。正交匹配追踪：递归函数逼近及其在小波分解中的应用。在关于信号、系统和计算机的Asilomar会议上（第40-44页）。 [36] Pham，D.S.和Venkatesh，S.（2008）。用于模式识别的联合学习和字典构建。在IEEE计算机学会关于计算机视觉和模式识别（CVPR）的会议上（第1-8页）。 [37] Qi，Y.，Zhang，S.，Qin，L.，Yao，H.，Huang，Q.，Lim，J.，&Yang，M.H.（2016）。对冲深度追踪。IEEE计算机学会计算机视觉和模式识别会议（CVPR）（第4303-4311页）。 [38] Raina，R.和Ng，A.Y.（2007年）。自学学习：从未标记的数据中转移学习。在国际机器学习会议（ICML）上。 [39] Ross，D.A.、Lim，J.、Lin，R.S.和Yang，M.H.（2007）。用于鲁棒视觉跟踪的增量学习。国际计算机视觉杂志（IJCV），77（1-3），125-141。 [40] Sevilla Lara，L.和Learn Miller，E.（2012年）。用于跟踪的分发字段。IEEE计算机学会计算机视觉和模式识别（CVPR）会议（第1910-1917页）。 [41] Smeulders，A.W.M.、Chu，D.M.、Cucchiara，R.、Calderara，S.、Dehghan，A.和Shah，M.（2014）。视觉跟踪：一项实验性调查。IEEE模式分析和机器智能汇刊（TPAMI），36（7），1442-1468·doi:10.1109/TPAMI.2013.230 [42] Sui，Y.、Tang，Y.和Zhang，L.（2015a）。区分性低阶跟踪。IEEE计算机视觉国际会议（ICCV）（第3002-3010页）。 [43] Sui，Y.、Wang，G.和Zhang，L.（2017）。视觉跟踪的峰值强度相关滤波器学习。IEEE控制论汇刊（TCyb）。https://doi.org/10.109/TCYB.2017.2690860。 [44] Sui，Y.、Wang，G.、Tang，Y.和Zhang，L.（2016a）。跟踪完成。在欧洲计算机视觉会议上。 [45] Sui，Y.、Zhang，Z.、Wang，G.、Tang，Y.和Zhang、L.（2016b）。实时视觉跟踪：提高相关滤波器学习的鲁棒性。欧洲计算机视觉会议 [46] Sui，Y.，&Zhang，L.（2015）。通过局部结构高斯过程回归进行视觉跟踪。IEEE信号处理快报，22（9），1331-1335·doi:10.1109/LSP.2015.2402313 [47] Sui，Y.，&Zhang，L.（2016）。通过局部结构化表示实现鲁棒跟踪。国际计算机视觉杂志（IJCV），119（2），110-144·Zbl 1398.68596号 ·doi:10.1007/s11263-016-0881-x [48] Sui，Y.、Zhang，S.和Zhang L.（2015b）。通过稀疏诱导子空间学习实现鲁棒视觉跟踪。IEEE图像处理学报（TIP），24（12），4686-4700·Zbl 1408.94616号 ·doi:10.10109/TIP.2015.22462076 [49] Sui，Y.、Zhao，X.、Zhang，S.、Yu，X.，Zhao。自我表达追踪。模式识别（PR），48（9），2872-2884·doi:10.1016/j.patcog.2015.03.007 [50] Tang，M.和Feng，J.（2015）。用于视觉跟踪的多核相关滤波器。IEEE计算机视觉国际会议（ICCV）（第3038-3046页）。 [51] Tibshirani，R.（1996）。通过套索回归收缩和选择。英国皇家统计学会期刊B辑（方法学），58（1），267-288·Zbl 0850.62538号 [52] Wang，D.和Lu，H.（2012）。通过2DPCA和L1规则化进行对象跟踪。IEEE信号处理快报，19（11），711-714·doi:10.1109/LSP.2012.2215320 [53] Wang，D.和Lu，H.（2014）。基于概率连续离群点模型的视觉跟踪。在IEEE计算机学会关于计算机视觉和模式识别（CVPR）的会议上。 [54] Wang，D.，Lu，H.和Yang，M.H.（2013a）。最小软阈值平方跟踪。IEEE计算机学会计算机视觉和模式识别会议（CVPR）（第2371-2378页）。 [55] Wang，D.，Lu，H.和Yang，M.H.（2013b）。使用稀疏原型进行在线对象跟踪。IEEE图像处理学报（TIP），22（1），314-325·Zbl 1373.94423号 ·doi:10.1109/TIP.2012.2202677 [56] Wang，L.、Ouyang，W.、Wang，X.和Lu，H.（2015）。使用完全卷积网络进行视觉跟踪。IEEE计算机视觉国际会议（ICCV）（第3119-3127页）。 [57] Wang，L.，Ouyang，W.，Wang，X.，&Lu，H.（2016）。Stct：用于视觉跟踪的连续训练卷积网络。IEEE计算机学会计算机视觉和模式识别会议（CVPR）（第1373-1381页）。 [58] Wang，Q.，Chen，F.，Xu，W.，&Yang，M.（2012）。基于局部稀疏表示的在线鉴别目标跟踪。在IEEE计算机视觉应用冬季会议上。 [59] Wright，J.、Ma，Y.、Mairal，J.和Sapiro，G.（2010年）。计算机视觉和模式识别的稀疏表示。IEEE学报，98（6），1031-1044·doi:10.1109/JPROC.2010.2044470 [60] Wu，Y.，Lim，J.，&Yang，M.H.（2013）。在线对象跟踪：一个基准。在IEEE计算机学会关于计算机视觉和模式识别（CVPR）的会议上（第2411-2418页）。 [61] Wu，Y.，Lim，J.，&Yang，M.H.（2015）。对象跟踪基准。IEEE模式分析和机器智能学报（TPAMI），37（9），1834-1848·doi:10.1109/TPAMI.2014.2388226 [62] Yilmaz，A.、Javed，O.和Shah，M.（2006年）。物体追踪：一项调查。ACM计算调查，38（4），13-57·doi:10.1145/1177352.1177355 [63] Zhang，C.，Liu，R.，Qiu，T.，&Su，Z.（2014年a）。通过增量低阶特征学习实现稳健的视觉跟踪。神经计算，131237-247·doi:10.1016/j.neucom.2013.10.020 [64] Zhang，K.，Liu，Q.，Wu，Y.，&Yang，M.H.（2016a）。通过卷积网络进行鲁棒视觉跟踪，无需训练。IEEE图像处理学报（TIP），25（4），1779-1792·Zbl 1408.94900号 [65] Zhang，K.、Zhang、L.和Yang，M.H.（2012a）。实时压缩跟踪。欧洲计算机视觉会议（ECCV）（第866-879页）。 [66] Zhang，K.、Zhang、L.和Yang，M.H.（2013a）。通过在线鉴别特征选择实时跟踪目标。IEEE图像处理学报（TIP），22（12），4664-4677·Zbl 1373.94825号 ·doi:10.1109/TIP.2013.2277800 [67] Zhang，T.、Bibi，A.和Ghanem，B.（2016b）。为保护稀疏跟踪：循环稀疏跟踪器。在CVPR中。 [68] Zhang，T.、Ghanem，B.、Liu，S.和Ahuja，N.（2012年B）。用于鲁棒视觉跟踪的低秩稀疏学习。欧洲计算机视觉会议（ECCV）（第470-484页）。 [69] Zhang，T.、Liu，S.、Xu，C.、Yan，S.，Ghanem，B.、Ahuja，N.和Yang，M.（2015）。结构稀疏跟踪。IEEE计算机学会计算机视觉和模式识别会议（CVPR）（第150-158页）。 [70] Zhang，T.、Liu，S.、Ahuja，N.、Yang，M.H.和Ghanem，B.（2014b）。通过一致的低秩稀疏学习实现稳健的视觉跟踪。国际计算机视觉杂志（IJCV），111（2），171-190·Zbl 1398.68605号 ·doi:10.1007/s11263-014-0738-0 [71] Zhang，S.、Yao，H.、Sun，X.和Lu，X.（2013b）。基于稀疏编码的视觉跟踪：回顾和实验比较。模式识别，46（7），1772-1788。 [72] Zhong，W.，Lu，H.，&Yang，M.H.（2012）。通过基于稀疏性的协作模型实现鲁棒目标跟踪。IEEE计算机学会计算机视觉和模式识别会议（CVPR）（第1838-1845页）。 [73] Zhong，W.，Lu，H.，&Yang，M.H.（2014）。通过稀疏协作外观模型实现稳健的对象跟踪。IEEE图像处理学报（TIP），23（5），2356-68·Zbl 1374.94689号 ·doi:10.1109/TIP.2014.2313227 [74] Zou，H.和Hastie，T.（2005）。通过弹性网进行规则化和变量选择。英国皇家统计学会期刊：B辑（统计方法论），67（2），301-320·Zbl 1069.62054号 ·文件编号：10.1111/j.1467-9868.2005.005.x [75] Zou，H.、Hastie，T.和Tibshirani，R.（2006）。稀疏主成分分析。计算与图形统计杂志，15（2），265-286·doi:10.1198/106186006X113430 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。