基于全局和局部约束直推学习的鲁棒跟踪研究

？在目标跟踪中,大部分算法都是假设目标亮度不变或者目标子空间不变,然而,这些假设在实际场景中并不一定满足,特别是当目标和背景都发生较大变化时,目标容易丢失.针对这种情况,本文从直推学习的角度重新描述跟踪问题,并提出一种鲁棒的目标跟踪方法.为获得更好的跟踪效果,目标当前状态估计不仅要逼近目标模型,而且要与以前的结果具有相同的聚类.本方法利用目标模型对跟踪问题进行全局约束,利用以前的结果约束状态局部分布,构造代价函数.将以前的状态估计作为正样本,当前的候选状态作为未标记样本,以所有样本为顶点建立图,同时学习目标的全局外观模型和所有状态的局部聚类结构.最后利用图拉普拉斯,通过简单的线性代数运算,获得代价函数的最优解.在实验中,选取包含各种情形的视频,如目标的姿势改变、表情变化、部分遮挡以及周围光照的变化等,利用本文提出的方法测试,并和其他算法比较.实验结果表明,本文方法能够很好处理这些情形,实现对目标的鲁棒跟踪.