Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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.
(2.1)
(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)
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.
(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