2.

Seguimiento visual basado en representación sparse

Visual Tracking Based on Sparse Representation Cambiar apariencia causada por
factores intrínsecos y extrínsecos es un difícil problema en línea de seguimiento de
objetos. Escasa representación puede aprender información eficaz de seguimiento de
objetos que es resistente a los cambios de apariencia. En este capítulo, presentamos dos
aplicaciones principales de la escasa representación en el seguimiento de objetos. La
primera explota tanto la fuerza del aprendizaje subspace y escasa representación para
modelar el aspecto de objetos para manejar la oclusión de seguimiento de objetos. El
segundo propone un modelo colaborativo disperso que aprovecha eficazmente ambas
plantillas holística y representaciones locales para considerar drásticos cambios de
apariencia.1 2

2.1 Introducción
Escasa representación ha sido aplicado con éxito en numerosas aplicaciones de visión4 5
7, [ , 10]. Con limitaciones de dispersión, una señal puede ser representado en forma de
combinación lineal de sólo unos pocos vectores base. Desde el primer momento escasa
representación se introdujo en un seguimiento visual por Mei Ling [5], se ha empleado
para la construcción de varios trackers eficiente (nos referimos como rastreadores
disperso en el siguiente documento) con el favorable desempeño experimental contra otro
Estado-of-the-art trackers.
En [2], el vector característica de un estado candidato es reconstruido por tanto el
destino de lo trivial y plantillas plantillas (contabilidad de píxeles ruidosos) con la
dispersión y no negatividad limitaciones en la reconstrucción coeficientes. [4] Liu et al.,
seleccione un conjunto de características dispersas para representar objetos de destino y
extender la restricción a la dispersión del grupo dinámico restricción de dispersión
teniendo en cuenta la distribución de píxeles noised contiguos.
Todos los mencionados métodos basados en la dispersión impresionante rendimiento
de seguimiento del rendimiento, sin embargo, la mayoría de ellas se centran en la
medición de cómo un candidato es semejante al objeto en primer plano mientras se hace
caso omiso de la información básica, por lo que estarán sujetos a la deriva cuando los
objetos son similares a los de la apariencia de destino o cuando la apariencia de destino
tiene cierta similitud con los objetos de fondo debido a la oclusión parcial.
Para tratar estos problemas, [5], dispersión de grupo dinámico que incluye tanto la
contigüidad espacial y temporal es introducido en la escasa representación para mejorar
la robustez del rastreador. [4] Y un esquema de representación sparse locales se emplea
para modelar la apariencia de destino y, a continuación, representan la base de la meta
de distribución con el histograma de codificación dispersa que realiza bien, especialmente
en el manejo de la oclusión parcial. Jia et al. [2] Muestras grandes parches de imagen
local superpuesta con diseño espacial fijo donde hay más información estructural espacial
en ellos.
Para evitar la acumulación de ambigüedades causadas por la escasa representación
con plantillas trivial, Liu et al. [5] Propuso un método de seguimiento que selecciona una
escasa capacidad discriminativa y conjunto de características para mejorar la eficiencia y
la robustez. Como el número de funciones discriminativas es fijo, este método es menos
eficaz para el seguimiento de objetos en escenas dinámicas y complejas. En [4], un
algoritmo basado en histogramas de escasa representación local para el seguimiento de
objetos donde se propone el objeto de destino está situado en via buscando el modo
(mediante el algoritmo de cambio media) del voto mapas construidos por errores de
reconstrucción.
 Zhong et al. [12] Propone y demuestra un sólido y eficaz método de seguimiento
basado en la colaboración de generativa y módulos discriminativo. La eficaz apariencia
modelos permiten el rastreador para gestionar mejor oclusiones pesados.
En este capítulo, vamos a introducir la escasa representación de los siguientes
aspectos, manejo de oclusión, apariencia modelado con escasa representación local, los
resultados experimentales y discusión.

2.2 escasa representación en manipulación de oclusión

Modelo de apariencia eficaz es uno de los factores más esenciales para el seguimiento de
objetos sólidos. Se han propuesto numerosos métodos para diseñar un modelo de
apariencia sólida que reduce considerablemente las derivas, pero han sido pocos los
intentos de abordar directamente el problema de la oclusión, que permanece como un
tema de debate. En comparación con los modelos basados en parte, escasa
representación es más eficaz y menos caro computacionalmente en tratar con problemas
de oclusión. A continuación, introduciremos la motivación y desarrollo de escasa
representación en el manejo de la oclusión.

Seguimiento de objetos con aprendizaje Subspace Incremental y escasa

representación: Object Tracking with Incremental Subspace Learning and Sparse
Representation El seguimiento visual incremental (IVT) método [10] presenta un enfoque
de actualización en línea para eficientemente el aprendizaje y actualización de un bajo-
dimensional análisis de componentes principales (PCA) subspace representación del
objeto de destino. El PCA subspace representación con actualización en línea es eficaz
en el tratamiento de varios cambios de apariencia, como variación de iluminación y
plantean el cambio, pero el PCA subspace representación basada en esquema es
sensible a la oclusión parcial, que puede explicarse por el ecualizador. (2.1) De la
siguiente manera:

(2.1)

Donde y denota un vector de observación, z indica la codificación correspondiente

coeficiente o vector, U representa una matriz de vectores de la base de la columna, y e
es el término de error. La idea básica del método IVT se muestra en la Fig. 2.1A.
En PCA, una hipótesis es que el vector de error es pequeña densa ruido gaussiano
que se distribuyen con pequeñas variaciones, y puede ser estimado por , y la

reconstrucción puede ser aproximado por error . Sin embargo, cuando

se produce la oclusión parcial, el término ruido puede ser modelada con poca variación.
Por lo tanto, el método de la IVT es sensible a la oclusión parcial.
Inspirado por la escasa representación, Mei et al. [7] Presenta un algoritmo ( tracker)
lanzando el problema del rastreo como encontrar el parche más probable con escasa
representación y manipulación de oclusión parcial con plantillas por trivial

(2.2).
 Donde y denota un vector de observación, representa una matriz de las plantillas,
indica los coeficientes correspondientes, y e es el término de error que pueden ser vistos
como los coeficientes de trivial plantillas.
Suponiendo que cada candidato imagen parche está escasamente representada por
un conjunto de plantillas y trivial, eq. (2.2) Puede ser resuelto mediante la minimización
de la7siguiente manera:

(2.3)

Dónde y denotan la así como normas, respectivamente.

La asunción subyacente de este enfoque es que el error e puede ser modelada por
arbitrario pero escaso ruido y, por lo tanto, puede ser usada para manejar oclusión parcial.
Como se ilustra en la Fig. 2.1, Los coeficientes de ambas plantillas y trivial de destino
debe ser escasa porque las plantillas de destino sean coherentes y coeficientes de trivial

se utilizan plantillas para oclusión parcial del modelo. Sin embargo, el tracker consume
una gran cantidad de cálculos y no explotar los ricos y redundante de las propiedades de
la imagen, que puede ser capturado de forma compacta con representaciones subspace.

La introducción de la regularización en representación subspace con PCA puede

resolver este problema. Para el seguimiento de objetos, nos modelo apariencia de destino
con PCA vectores base, y cuenta con oclusiones de plantillas por trivial

(2.4)

Donde y denota un vector de observación, U representa una matriz de vectores de la

base de la columna, indica los coeficientes de vectores base, y e es el término de error
(que puede ser visto como los coeficientes de trivial plantillas). En esta formulación, los
prototipos constan de un pequeño número de vectores de la base PCA y un conjunto de
plantillas de trivial (Fig. 2.1C). Como el error e se supone que es arbitrario, pero escaso
ruido, solucionamos Eq. (2.4)

(2.5)

En esta fórmula, coeficientes de trivial plantillas deben ser escasos, mientras que los
coeficientes de los vectores base no son escasos porque no son vectores de la base PCA
coherente pero ortogonales. Como el número de plantillas de trivial es mucho mayor que
el número de vectores base, una observación puede ser escasamente representados por
prototipos.
 Este esquema diferente tiene las siguientes ventajas. En primer lugar, los modelos y,
por tanto, explícitamente oclusión gestiona eficazmente. Segundo, es capaz de manejar

una imagen de alta resolución de las revisiones con menos complejidad computacional
explotando subspace representación. A continuación, vamos a ilustrar cómo el escaso
número de prototipos son utilizados para la representación de objeto, como se muestra en
la Eq. (2.5).
Fig. 2.1 Motivation de nuestro trabajo