基于字典學習改進的時空上下文算法

張 堯,才 華,2,曹 露,王冰雪,陳廣秋

(1.長春理工大學 電子信息工程學院,長春 130022；2.長春中國光學科學技術館,長春 130117)

目標跟蹤技術在公共安全、智能交通等領域應用廣泛[1].在實際應用中,通常由于光照明暗變化、外部遮擋等因素的干擾,影響視頻跟蹤的魯棒性.利用目標周圍的上下文環境進行輔助跟蹤定位,不僅可使用前后相關幀的時間上下文,還可利用目標自身及周圍的背景條件作為空間上下文達到魯棒跟蹤的目的.Zhang等[2]提出了一種效果優良的時空上下文(spatio-temporal context,STC)算法,充分考慮了目標附近稠密的上下文環境,其性能超過了大部分當前主流算法.此外,加權時空上下文算法[3]和基于稀疏表示的時空上下文算法[4],也極大提高了時空上下文的跟蹤效果.

字典學習包括稀疏編碼和字典更新兩個階段,先更新迭代稀疏系數矩陣,然后在迭代字典矩陣和稀疏系數矩陣時更新字典,以得到符合優化目的的字典,對數量巨大的數據集進行降維,從中得到最能表現樣本的特征,達到運算量最小的目的.目前較成熟的字典學習算法有正交匹配追蹤(orthogonal matching pursuit,OMP)算法[5]、最優方向法(method of directions,MOD)算法[6]等.利用構建圖像特征集合字典對目標特征信息進行分析對比,可解決目標長期靜止時的跟蹤問題,并利用實時更新目標模板,最大限度保證模板實時表征目標的各種特性[7].潘晴等[8]提出了在跟蹤過程中構建字典,其中背景字典由每幀圖像重新構造,并通過特征選擇避免在更新……