• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Machine Vision and Applications >Visual tracking based on group sparsity learning
【24h】

Visual tracking based on group sparsity learning

机译：基于小组稀疏性学习的视觉跟踪

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

We propose a new tracking method based on a group sparsity learning model. Previous work on sparsity tracking rely on a single sparse model to characterize the templates of tracking targets, which is hard to express complex tracking scenes. In this work, we utilize a superposition of multiple simpler sparse models to capture the structural information across templates. More specifically, our tracking method is formulated within particle filter framework and the particle representations are decomposed into two sparsity norms: a l_(1,∞) norm and a l_(1,2) norm, capturing the common and different information across the templates, respectively. To efficiently implement the proposed tracker, we adapt the alternating direction method of multipliers to solve the formulated two-norm optimization problem. The proposed tracking method is compared with seven state-of-the-art trackers using 16 publicly available and challenging video sequences due to appearance changes, heavy occlusions, and pose variations. Experiment results show that our tracker outperforms the five other tracking methods.
机译：我们提出了一种基于群体稀疏性学习模型的新跟踪方法。先前有关稀疏性跟踪的工作依赖于单个稀疏模型来表征跟踪目标的模板，这很难表达复杂的跟踪场景。在这项工作中，我们利用多个更简单的稀疏模型的叠加来捕获模板之间的结构信息。更具体地说，我们的跟踪方法是在粒子过滤器框架内制定的，粒子表示形式被分解为两个稀疏范数：l_（1，∞）范数和l_（1,2）范数，捕获了模板中的公共和不同信息， 分别。为了有效地实现所提出的跟踪器，我们采用了乘数的交替方向方法来解决公式化的二范数优化问题。由于外观变化，严重的遮挡和姿势变化，使用16个公开可用的具有挑战性的视频序列，将拟议的跟踪方法与七个最新的跟踪器进行了比较。实验结果表明，我们的跟踪器优于其他五种跟踪方法。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号