判别式表观建模方法

Appearance modeling is the key component in visual tracking,and sparse tracking and online learning are two hot topics. Several challenges in this field haven't been addressed that affect tracking accuracy and robustness. When pooling sparse codes,most methods only consider their low order information, and fail to model target appearance effectively.Most sparse tracking methods model likelihood function using sample reconstuction error, and fail to extract most disriminative information to perform tracking. Current methods adopt heuristic strategies rather than principled ones to online update apearance models. We start from active learning theory, sparse coding theory and nonliear learning theory,and make the following proposals that are intended to address the aforementioned issues: semi-supervised sparse tracking methods using achor points learning, structured local sparse visual representation and fisher vector based local sparse visual representation, and a principled sample selection method for online appearance model updating using active learning. If this proposal is implemented, we expect it would provide key techniques and algorithms for viusal tracking applications like intelligent surveillance.

表观建模是视觉跟踪研究的核心，稀疏跟踪和在线学习是当前研究热点。这一领域还存在如下问题从而制约了跟踪的准确性和鲁棒性：稀疏特征的池化方法只考虑了码本系数的低阶特征，不能充分建模目标表观；大多数稀疏跟踪算法基于样本重建误差建模似然函数，不能充分提取最有利于跟踪的判别信息；表观模型在线更新时样本选取缺乏原理性准则等等。针对这些问题，基于主动学习、非线性学习和稀疏编码理论，本项目拟研究：基于锚点学习的半监督稀疏跟踪；结构化局部稀疏视觉描述子和基于Fisher向量的局部稀疏视觉描述子；采用主动学习理论的公理化样本选取等内容。项目实施会为智能监控等视觉目标跟踪应用提供关键技术与核心算法。

表观建模是视觉跟踪研究的核心，稀疏跟踪和在线学习是当前的研究热点。这一领域还存在如下问题从而制约了跟踪的准确性和鲁棒性：稀疏特征的池化方法只考虑了码本系数的低阶特征，不能充分建模目标表观；大多数稀疏跟踪算法基于样本重建误差建模似然函数，不能充分提取最有利于跟踪的判别信息；表观模型在线更新时样本选取缺乏原理性准则等等。针对这些问题，基于非线性学习和稀疏编码理论，本项目主要研究：基于锚点学习的半监督稀疏跟踪；结构化局部稀疏视觉描述子和基于Fisher向量的局部稀疏视觉描述子等内容。主要完成了如下内容：提出了张量池化方法，该方法能更好的保留特征的空间结构并避免连接池化出现的高维学习和过拟合问题；提出了广义特征池化方法，该方法利用概率函数来建模稀疏编码的统计分布；提出了一种基于半监督学习框架的跟踪方法，通过引入基于流形正则的相关滤波器，为相邻样本分配相似的标签以得到无标签样本的标签；提出了一种基于非线性学习理论的全局线性近似跟踪方法，该方法将字典学习和分类器学习放在统一的框架中，旨在构造一个既能够充分反映样本内在流形结构又拥有判别能力的稀疏字典；提出了一种联合模糊运动估计和多任务反向稀疏学习的目标跟踪方法；从概率抽样的角度提出了一种新颖的基于部件的视觉目标跟踪方法，将复杂的在线部件选择问题转化为一个更容易处理的概率学习问题。在两个公共数据集（OTB和VOT）上，与先进的跟踪方法相比，我们的方法具有卓越的性能。项目实施会为智能监控等视觉目标跟踪应用提供关键技术与核心算法。