結構稀疏跟蹤（SST）算法

結構稀疏跟蹤（SST）算法

摘要：提出了一種新的結構稀疏跟蹤算法，它不僅利用候選目标及其局部塊之間的内在關系，學習它們的聯合稀疏表示，而且保留了各候選目标内的局部塊中的空間布局結構。并表明了SST算法包含大多數現有的稀疏跟蹤器各自的優點。

1引言

第一段   介紹目标跟蹤的應用和面臨的挑戰。

第二、三段   跟蹤算法的分類：判别式和生成式。

· discriminative approach 鑒别性方法：将tracking化為一個二分類的問題，通過訓練分類器，區分目标和背景，進而實作跟蹤

· generative approach 生成性方法：将tracking當做一個比對的過程，生成一個目标的模闆，尋找比對程度最高的，即後驗機率最大的位置作為目标的位置預測

第四-八段    介紹稀疏表示生成式跟蹤方法的現狀。

         基于表示方案可分類為：全局、局部、聯合、結構稀疏外觀模型。

全局稀疏外觀模型：對局部遮擋跟蹤有效，但是嚴重遮擋時不太有效。

局部稀疏外觀模型：盡管解決了一些全局稀疏外觀模型的問題，但是這類方法沒有考慮各候選目标内的局部塊中的空間布局結構或候選目标中局部塊之間的内在關系。

聯合稀疏外觀模型：利用粒子間的内在關系提高了跟蹤性能。由于在所有粒子X中聯合優化，該模型計算效率高。然而，該模型仍然使用整體表示來描述目标的外觀。

結構稀疏外觀模型：

（有以下3點不同）

1、該模型結合了以上三種模型，通過考慮候選目标中的互相關系，對局部遮擋較不敏感，計算上也有效。

2、不僅利用粒子X，而且還有相應局部圖像塊中的内在關系，以學習它們的聯合稀疏表示。

3、保留了各候選目标内局部塊間的空間分布結構，這一點在之前的稀疏跟蹤器是忽略了的。

結構稀疏跟蹤（SST）算法，所有的粒子和它們的局部塊都由所提的結構稀疏外觀模型來表示，下一個目标狀态是粒子，該粒子和它的局部塊與目标字典模闆和它們相應的塊有最高相似性。使用混合範數正則化，為快速收斂，利用APG方法來優化。跟蹤器、ALSA、MTT是SST算法的特殊情況。

2 結構稀疏跟蹤

較長的描述了基于粒子濾波器的跟蹤方法，使用結構稀疏外觀模型表示粒子和它們的局部塊。

2.1結構稀疏外觀模型：

         （1）

字典模闆更新：方案類似文獻【22】。字典模闆T中的每個模闆配置設定有一個權值，訓示模闆的代表性大小。當某個模闆頻繁的用于表示跟蹤結果，它就有高的權值。當T集不能很好的表示粒子，較低權值的目标模闆就會被目前跟蹤結果替代。為初始化m個目标模闆，在目标的初始位置和周圍采樣相同尺寸的塊。

2.2 讨論

公式（1）是通用的，大部分基于稀疏表示的跟蹤方法是它的特例，不僅包含現有的三種模型的稀疏性，而且利用了各候選目标内局部圖像塊的空間分布結構。

3 實驗結果

3.1定量評估

兩種标準：中心位置誤差和重疊率。

在benchmark上的比較結果。

3.2定性評估

遮擋

尺度變化

突然運動

光照和尺度變化

光照和姿态變化

遮擋和姿态變化

突然運動，姿态變化和遮擋