基于增量张量子空间学习的自适应目标跟踪

传统的基于子空间的跟踪方法易于丢失图像所固有的部分结构和邻域信息,从而降低了目标匹配和跟踪的精度.为此,本文提出了一种增量张量子空间学习算法,用于跟踪目标的建模与模型更新.同时,将该模型与贝叶斯推理相结合,提出一种自适应目标跟踪算法:新方法首先对跟踪目标的外观进行建模,然后利用贝叶斯推理获得目标外观状态参数的最优估计,最后利用最优估计的目标观测更新目标张量子空间.实验结果表明,由于保持了目标外观的结构信息,本文提出的自适应目标跟踪方法具有较强的鲁棒性,在跟踪目标在姿态变化、短时遮挡和光照变化等情况下均可有效地跟踪目标.