基于自适应同时稀疏表示的鲁棒性目标追踪

• 作者: 李厚彪 樊庆宇 耿广磊
• 来源期刊: 电子科技大学学报
• 学科: 工学
• 关键词: 拉普拉斯噪声 鲁棒性 同时稀疏表示 模板更新 无监督学习
• 年，卷（期）: 2018,（1）
• 所属期刊栏目: 通信与信息工程
• 页码范围: 1-12
• 页数: 12页
• 分类号: TN911.73
• 字数: 8663字
• 语种: 中文
• DOI: 10.3969/j.issn.1001-0548.2018.01.001

摘要

综合考虑高斯噪声和拉普拉斯噪声,并通过拉普拉斯噪声的能量大小自适应的选择稀疏模型,该文提出了基于同时稀疏表示的自适应追踪算法.该算法可以更好的解决目标遮挡、姿势改变、光照变化和背景混杂等追踪问题,且具有更强的鲁棒性.其次提出一种基于子空间学习和无监督学习(K-means)相结合的模板更新方法,该方法一方面可以及时有效地反应目标的状态, 另一方面也可以避免模板更新过快而引入较大的误差.然后,利用LASSO算法对该模型做了进一步的改进,并将目前较好的9种追踪算法与该文提出的算法进行比较,实验结果表明该算法在鲁棒性、精确性和实时性方面都得到了较好的改善.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李厚彪	电子科技大学数学科学学院	34	30	3.0	4.0
2	樊庆宇	电子科技大学数学科学学院	2	7	2.0	2.0
3	耿广磊	电子科技大学数学科学学院	1	3	1.0	1.0