基于偏最小二乘分析和稀疏表示的目标跟踪算法

经典的基于子空间学习的跟踪方法通过主成分分析(principalcomponentanalysis,PCA)建立并更新目标的特征模型，只考虑目标的特征信息而忽视模型中每个样本的类别特征，从而降低了目标的跟踪精度。为此，提出一种基于偏最小二乘分析(partialleastsquaresanalysis,PLS)和稀疏表示的目标跟踪算法。通过PLS去分析关于目标与背景中纹理特征和类别信息之间的相关性，建立一个可区分的低维特征空间。将目标模板线性表示为所有目标候选的线性组合，当存在与目标模板相似的候选时，线性表示的系数满足稀疏性约束，通过L1范数最优化求解稀疏表示系数，根据最小的重构误差得到最优的目标位置。在多个视频场景下的实验结果展示了改进的跟踪算法具有较好的跟踪性能。