基于局部协同表示与压缩感知的在线半监督多示例学习目标跟踪算法研究

In recent years, object tracking in complex environments has received extensive research and attention. In order to solve the bottlenecks in the existing object tracking algorithms, this project aims to investigate the three key techniques in object tracking, i.e., object representation, feature extraction and online learning, and proposes visual object local collaborative representation, adaptive compressive sensing based feature extraction, and online semi-supervised multiple instance learning, respectively. By fully exploiting the advantages of collaborative representation, compressive sensing, semi-supervised learning, and multiple instance learning, a robust and real-time online object tracking system prototype is finally built, which can effectively handle the dynamic object appearance changes caused by illumination changes, rotations, fast motions, pose variations, occlusions, background clutter, scale variations, and so on, thus limiting the object drifting problem. The project team has a good foundation for the object tracking research. The research in this project is not only theoretically important for improving the robustness and real-time of the existing object tracking algorithms, but also has practical application significance. This project will bring the further improvement to the object tracking area.

近年来，复杂场景下的目标跟踪已经受到了广泛的研究和关注。为了解决现有目标跟踪算法存在的诸多瓶颈问题，本项目对目标跟踪的三个关键技术，即目标表示、特征提取、在线学习，进行深入的研究，并分别提出视觉目标的局部协同表示算法、基于自适应压缩感知的特征提取算法，以及在线半监督多示例学习算法，以期能够充分地利用协同表示、压缩感知、半监督学习、多示例学习等多种前沿理论的优势，建立鲁棒、实时的在线目标跟踪系统原型，有效应对在复杂场景下光照变化、旋转、快速移动、姿态变化、遮挡、杂乱背景和尺度变化等因素引起的动态目标外观变化，从而避免目标漂移问题。本项目组具有良好的目标跟踪研究基础。本项目的研究不仅对提高现有目标跟踪算法的鲁棒性和实时性具有重要的理论指导意义，而且具有实际应用价值。对本项目的研究将进一步推动目标跟踪领域的发展。

目标跟踪是人工智能、计算机视觉等领域的研究热点。针对复杂环境下的目标跟踪问题，本项目分别对目标表示、特征提取、在线学习这三个方面进行深入研究。具体来说：1）目标表示方面：针对传统目标表示方法忽略背景信息和局部信息等问题，我们提出了一种快速的在线判别性局部协同表示的目标跟踪方法（称为DLC）；我们还提出了一种稀疏的相似度度量学习算法，其同时使用稀疏约束和半正定约束来限制所学习的相似度矩阵；此外，针对含有噪声点情况下的鲁棒模型拟合，我们提出了一种新颖有效的基于结构决策图的鲁棒多结构模型拟合算法。2）特征提取方面：我们提出了一种基于压缩感知和特征融合的目标跟踪算法，其使用压缩感知来提取两种不同特征并进行特征融合；针对小样本集问题，我们提出了一种有效的基于Gabor特征的零空间方法；为了提高局部差分模式（LDP）的紧凑性和鉴别力，我们又提出了一种有效的特征描述子，称为鉴别局部差分模式（称为DLDP）；为了克服头部姿态变化的影响，我们也提出了一种新颖的特征提取框架（即DCFB）；再者，我们提出一种新的相关滤波器，称为最优类外原点输出折中滤波器,其最优化类外训练样本在原点的平均能量输出和噪声方差输出的折中同时对类内训练样本在原点的输出采用不等式约束条件；此外，我们还提出了一种基于二次投影的特征提取框架，能够更加有效地提取目标的非线性特征信息。3）在线学习方面：基于多任务学习理论，我们提出了一种基于级联的卷积神经网络；我们还提出了一种新颖的基于多任务学习的方法来对判别性特征进行学习；我们也提出了一类最大边界矩阵分解算法；此外，我们还提出一套基于深度学习的训练框架，其用于解决样本选择困难的问题；再者，我们提出了一种基于低秩约束的自适应距离度量学习算法，其能够使得学习到的度量矩阵的秩最小化。最后，我们也实现了目标跟踪系统的原型，并在具有挑战性的视频序列上从定量和定性的角度对比新近算法与本项目提出的算法的性能。