模式识别与人工智能
2025年4月4日 星期五   首 页     期刊简介     编委会     投稿指南     伦理声明     联系我们                                                                English
模式识别与人工智能  2015, Vol. 28 Issue (3): 223-230    DOI: 10.16451/j.cnki.issn1003-6059.201503005
论文与报告 最新目录| 下期目录| 过刊浏览| 高级检索 |
基于多任务最小软阈值回归方法的目标跟踪*
亚森江·木沙1,2,赵春霞1
1.南京理工大学 计算机科学与工程学院 南京 210094
2.新疆大学 机械工程学院 乌鲁木齐 830046
Object Tracking via Multi-task Least-Soft-Threshold Squares Regression
YASIN Musa1,2, ZHAO Chun-Xia1
1.School of Computer Science and Engineering, Nanjing University of Science and Technology, Nanjing 210094
2.School of Mechanical Engineering, Xinjiang University, Urumqi 830046

全文: PDF (1604 KB)   HTML (1 KB) 
输出: BibTeX | EndNote (RIS)      
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.
服务
把本文推荐给朋友
加入我的书架
加入引用管理器
E-mail Alert
RSS
作者相关文章
亚森江·木沙
赵春霞
关键词 子空间学习模型表示多任务目标跟踪    
Abstract:In visual object tracking, model representation is one of the core issues directly affecting tracking efficiency. The object model representation needs an efficient template learning from the online complicated data to adapt to the variations caused by intrinsic or extrinsic factors during the tracking process. In this paper, the detailed descriptions of robust object model representation algorithm is provided, and a novel multi-task least-soft-threshold squares tracking framework (MLST) is proposed. In the proposed scheme, the observation model is treated as a multi-task linear regression problem,and the appearance models of the candidate target under different states are represented by using object templates and additive independently and identically distributed Gaussian-Laplacian noise assumption, so that the tracker is well adopted to some complex scenes and is able to predict the accurate state of the object in every frame. Extensive experiments are carried out to validate that the online learning scheme improves the representation accuracy by exploring some specific properties of the target in every task, and the tracker maintains the best ability to achieve favorable performance. The experimental results show that the proposed algorithm performs favorably against several state-of-the-art tracking algorithms.
Key wordsSubspace Learning    Model Representation    Multi-Task    Object Tracking   
收稿日期: 2014-06-20     
ZTFLH: TP181  
基金资助:国家自然科学基金项目(No.61272220)资助
作者简介: 亚森江·木沙,男,1972年生,讲师,博士研究生,主要研究方向为数字图像处理、模式识别.E-mail:Yassin.xjedu@gmail.com.赵春霞,女,1964年生,教授,博士生导师,主要研究方向为智能机器人与智能检测系统、数字图像处理、模式识别.E-mail: zhaochunxia@126.com.
引用本文:   
亚森江·木沙,赵春霞. 基于多任务最小软阈值回归方法的目标跟踪*[J]. 模式识别与人工智能, 2015, 28(3): 223-230. YASIN Musa, ZHAO Chun-Xia. Object Tracking via Multi-task Least-Soft-Threshold Squares Regression. , 2015, 28(3): 223-230.
链接本文:  
http://manu46.magtech.com.cn/Jweb_prai/CN/10.16451/j.cnki.issn1003-6059.201503005      或     http://manu46.magtech.com.cn/Jweb_prai/CN/Y2015/V28/I3/223
版权所有 © 《模式识别与人工智能》编辑部
地址:安微省合肥市蜀山湖路350号 电话:0551-65591176 传真:0551-65591176 Email:bjb@iim.ac.cn
本系统由北京玛格泰克科技发展有限公司设计开发 技术支持:support@magtech.com.cn