项目名称: 基于稀疏表示的在线视觉跟踪

项目编号: No.61472060

项目类型: 面上项目

立项/批准年度: 2015

项目学科: 计算机科学学科

项目作者: 卢湖川

作者单位: 大连理工大学

项目金额: 80万元

中文摘要: 目标跟踪是计算机视觉、模式识别领域一个非常热门而且极具挑战性的课题,其目的是能够克服遮挡、旋转、光照、突然运动、变形、复杂背景等因素的干扰,准确的确定目标的位置等参数。近来,稀疏表示理论在目标跟踪中的研究非常活跃,而且其理论在不断完善的过程中。本项目拟针对跟踪问题,围绕稀疏表示理论,研究能够处理目标旋转,姿态,光照,遮挡,以及复杂背景等鲁棒的跟踪算法。本课题的具体目标是探讨目标跟踪中的判决性稀疏字典学习与分类器的联合优化,同时学习出较好的字典和SVM分类器,从而实现生成模型和判决模型的有机融合;探讨基于局部模型的目标结构特征模型,从而将结构化信息与稀疏表示相结合;探讨各种可能的稀疏表示重构误差描述方法,建立一种基于学习的权重的重构误差描述方法,从而能更好的利用一些先验信息;最后探讨Lucas-kanade方法与稀疏表示目标函数联合优化,求解仿射变换参数,替代撒粒子的方法,加快跟踪的速度。

中文关键词: 目标跟踪;稀疏表示;计算机视觉

英文摘要: Object tracking is one popular and challenging topic in the field of computer vision and pattern recognition. The goal of object tracking is to locate the target accurately in the existence of occlusion, rotation, illumination change, abrupt motion, shape deformation, cluttered background, and other inferences. Recently, sparse representation theory becomes more and more active in the research of object tracking, and it is still a theory in process. The project intends to use sparse representation theory for the research of robust tracking method that can handle the difficulties of object rotation, pose variation, illumination change, occlusion and cluttered background. The objectives of the project are presented as follows: We explore the joint optimization of the discriminative dictionary and classifier in the object tracking problem. By learning a superior dictionary and a SVM classifier simultaneously, generative and discriminative models are incorporated organically. We also aim to combine structural information with sparse representation by constructing a structural local sparse appearance model of the target. Meanwhile, in order to make better use of prior information, we explore a variety of metrics measuring the reconstruction error in sparse representation and propose a learning based weighted distance metric. To speed up the tracking process, we plan to substitute the traditional particle filter by solving a collaborative model which incorporates Lucas-Kanade method and sparse representation to obtain affine parameters.

英文关键词: Object Tracking;Sparse Representation;Computer Vision

成为VIP会员查看完整内容
0

相关内容

标跟踪是指:给出目标在跟踪视频第一帧中的初始状态(如位置,尺寸),自动估计目标物体在后续帧中的状态。 目标跟踪分为单目标跟踪和多目标跟踪。 人眼可以比较轻松的在一段时间内跟住某个特定目标。但是对机器而言,这一任务并不简单,尤其是跟踪过程中会出现目标发生剧烈形变、被其他目标遮挡或出现相似物体干扰等等各种复杂的情况。过去几十年以来,目标跟踪的研究取得了长足的发展,尤其是各种机器学习算法被引入以来,目标跟踪算法呈现百花齐放的态势。2013年以来,深度学习方法开始在目标跟踪领域展露头脚,并逐渐在性能上超越传统方法,取得巨大的突破。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
基于深度学习的图像目标检测算法综述
专知会员服务
97+阅读 · 2022年4月15日
【NeurIPS 2021】基于次模优化的规则学习算法框架
专知会员服务
33+阅读 · 2021年11月30日
专知会员服务
22+阅读 · 2021年9月20日
专知会员服务
91+阅读 · 2021年8月29日
专知会员服务
44+阅读 · 2021年5月24日
专知会员服务
121+阅读 · 2021年4月29日
专知会员服务
44+阅读 · 2021年4月15日
专知会员服务
33+阅读 · 2021年2月7日
专知会员服务
94+阅读 · 2021年2月6日
专知会员服务
77+阅读 · 2020年12月6日
基于深度学习的图像目标检测算法综述
专知
2+阅读 · 2022年4月16日
基于深度学习的视频目标检测综述
极市平台
15+阅读 · 2019年7月19日
综述 | 近5年基于深度学习的目标检测算法
计算机视觉life
38+阅读 · 2019年4月18日
目标跟踪算法分类
算法与数据结构
20+阅读 · 2018年9月28日
【深度】行人检测算法
GAN生成式对抗网络
29+阅读 · 2018年6月3日
基于深度学习的目标检测算法综述
AI研习社
14+阅读 · 2018年4月25日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Simple and Effective Unsupervised Speech Synthesis
Arxiv
2+阅读 · 2022年4月20日
AutoML: A Survey of the State-of-the-Art
Arxiv
69+阅读 · 2019年8月14日
Object Detection in 20 Years: A Survey
Arxiv
48+阅读 · 2019年5月13日
小贴士
相关VIP内容
基于深度学习的图像目标检测算法综述
专知会员服务
97+阅读 · 2022年4月15日
【NeurIPS 2021】基于次模优化的规则学习算法框架
专知会员服务
33+阅读 · 2021年11月30日
专知会员服务
22+阅读 · 2021年9月20日
专知会员服务
91+阅读 · 2021年8月29日
专知会员服务
44+阅读 · 2021年5月24日
专知会员服务
121+阅读 · 2021年4月29日
专知会员服务
44+阅读 · 2021年4月15日
专知会员服务
33+阅读 · 2021年2月7日
专知会员服务
94+阅读 · 2021年2月6日
专知会员服务
77+阅读 · 2020年12月6日
相关资讯
基于深度学习的图像目标检测算法综述
专知
2+阅读 · 2022年4月16日
基于深度学习的视频目标检测综述
极市平台
15+阅读 · 2019年7月19日
综述 | 近5年基于深度学习的目标检测算法
计算机视觉life
38+阅读 · 2019年4月18日
目标跟踪算法分类
算法与数据结构
20+阅读 · 2018年9月28日
【深度】行人检测算法
GAN生成式对抗网络
29+阅读 · 2018年6月3日
基于深度学习的目标检测算法综述
AI研习社
14+阅读 · 2018年4月25日
相关基金
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
微信扫码咨询专知VIP会员