%0 Journal Article
%T 基于自适应同时稀疏表示的鲁棒性目标追踪<br>Robust Visual Tracking Based on Adaptive Simultaneous Sparse Representation
%A 李厚彪
%A 樊庆宇
%A 耿广磊
%J 电子科技大学学报
%D 2018
%R 10.3969/j.issn.1001-0548.2018.01.001
%X 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。<br>
%K 拉普拉斯噪声
%K 鲁棒性
%K 同时稀疏表示
%K 模板更新
%K 无监督学习&lt
%K br&gt
%U http://manu50.magtech.com.cn/dzkjdx/CN/abstract/abstract3910.shtml