基于局部敏感核稀疏表示的视频跟踪  

Visual Tracking via Locality-sensitive Kernel Sparse Representation

作　　者：黄宏图[1,2] 毕笃彦[1] 高山[1] 查宇飞[1] 侯志强[3] 

机构地区：[1]空军工程大学航空航天工程学院 [2]中国人民解放军95972部队 [3]空军工程大学信息与导航学院

出　　处：《电子与信息学报》2016年第4期993-999,共7页Journal of Electronics & Information Technology

基　　金：国家自然科学基金(61175029;61379104;61372167);国家自然科学基金青年科学基金(61203268;61202339)~~

摘　　要：为了解决?1范数约束下的稀疏表示判别信息不足的问题,该文提出基于局部敏感核稀疏表示的视频目标跟踪算法。为了提高目标的线性可分性,首先将候选目标的SIFT特征通过高斯核函数映射到高维核空间,然后在高维核空间中求解局部敏感约束下的核稀疏表示,将核稀疏表示经过多尺度最大值池化得到候选目标的表示,最后将候选目标的表示代入在线的SVMs,选择分类器得分最大的候选目标作为目标的跟踪位置。实验结果表明,由于利用了核稀疏表示下数据的局部性信息,使得算法的鲁棒性得到一定程度的提高。In order to solve the problem of lack of discriminability in the 1？-norm constraint sparse representation, visual tracking via locality-sensitive kernel sparse representation is proposed. To improve the linear discriminable power, the candidates＇ Scale-Invariant Feature Transform（SIFT） is mapped into high dimension kernel space using the Gaussian kernel function. The locality-sensitive kernel sparse representation is acquired in the kernel space. The candidates＇ representation are obtained after multi-scale maximum pooling. Finally, the candidates＇ representation is put into the classifier and the candidate with the biggest Support Vector Machines（SVMs） score is recognized as the target. And the experiments demonstrate that the robustness of the proposed algorithm is improved due to the use of the data locality under the kernel sparse representation.

关 键 词：视频跟踪 核稀疏表示 局部敏感约束 支持向量机 

分 类 号：TP391[自动化与计算机技术—计算机应用技术]