基于局部稀疏表示的模板匹配跟蹤算法研究

， ，，，

(浙江理工大學 信息學院，杭州 310018)

0 引 言

在計算機視覺領域中，目標跟蹤是研究的重點之一，應用非常廣泛，在智能視頻監控、人機交互、計算機視覺導航、虛擬現實和醫學診斷等領域中都有涉及。目標跟蹤是對連續視頻圖像進行特征提取，分析獲得目標的位置、大小、選擇角度和速度等信息，并且持續地顯示目標在每幀圖像中的位置[1]。目前已有大量目標跟蹤算法，這些算法可以分為以下5大類：a) 基于梯度場決策模型的跟蹤算法，主流算法有基于Mean-shift跟蹤算法[2]和基于均值漂移的目標跟蹤算法[3]等；b) 基于概率決策的模型跟蹤算法，主流算法有卡爾曼濾波跟蹤算法[4]和基于粒子濾波的跟蹤算法[5]等；c) 基于分類器決策模型的跟蹤算法，主流算法有基于支持向量機跟蹤算法[6]和TLD (Tracking learning detection)算法[7]等；d) 基于子空間表示模型跟蹤算法，主流算法有增量視覺跟蹤IVT(Incremental learning for robust visual tracking)算法[8]和基于增量PCA (Principal component analysis)跟蹤算法[9]等；e) 基于稀疏表示模型的跟蹤算法，主要算法有l1范數最小化視頻跟蹤算法[10]和局部稀疏表示跟蹤算法(Local sparse representation tracking algorithm,LSRTA)[11]等。

基于稀疏表示模型的跟蹤算法首先是由Mei等[10]提出的l1范數最小化的目標跟蹤算法，該算法首次將稀疏表示的理論知識應用到目標跟蹤領域，跟蹤過程中需要人為設置初始模板以及正負最小模板，通過最小模板構造稀疏字典并進行粒子濾波產生粒子，最后用稀疏字典[12]對粒子進行l1范數最小化處理，選擇構造誤差最小的粒子得到目標的位置，該算法運行速度較快，能初步實現目標的跟蹤。……