多特征融合的结构稀疏、低秩学习的鲁棒视觉跟踪

The visual object tracking is a key technique for video intelligence analysis, so the research of visual tracking has a very high engineering application value and also plays very important theory guiding meaning. The project will focus on the object representation and construction of classifier in the object ensemble tracking under complex scene. The research includes : First, Aiming at the shortcoming of the single object representation, we study the object feature extraction and multiple feature fusion using compressive sensing, deep learning, sparse representation, low rank learning under complex scenes. And we construct powerful representation model. Second, we study how to build a consistent low-rank sparse tracker upon the Bayesian framework for tracking. By exploiting temporal consistency, we can improve the robust of tracker under the complex sence. Third, we study the technique of online multiple feature fusion and update to alleviate the object drift of discriminative model under compresive sensing ensemble framework. We study the effect on the decision between the multiple kinds of classifier. We will adaptively select suitable classifier for the method of tracking-by-classifier to better the differential capacity of foreground and background. The procession can reduce the accumulate error of tracking drift. Fourth, in order to improve the validity of the object feature in pooling, we will online update the feature pooling, and the results of tracking will be feedback to the pooling. By combing the tracking result with the feature extracking, we will reduce the accumulate error of feature degeneration along the tracking. The aim of this project is that we realize the robust tracking using multiple feature learning and update in compressive sensing ensemble tracking framework under the complex scenes.tracking using multiple feature learning and update in compressive sensing ensemble tracking framework under the complex scenes.

基于视觉的运动目标跟踪是对视频进行智能分析的一个关键技术，因此具有非常重要的工程应用价值和理论指导意义。本申请将研究基于多特征融合的结构稀疏、低秩学习视觉跟踪中表观模型表达、状态更新和分类器的构建问题。主要研究内容包括：1、研究复杂场景下目标特征的提取与多特征融合，采用压缩传感、深度学习、稀疏表达和低秩表达等方法构建有效的目标表观模型来解决单一特征不能有效的进行目标表达；2、采用结构稀疏、低秩学习方法在贝叶斯框架下进行视觉跟踪，通过解决稀疏、低秩问题来挖掘状态的结构一致性、稀疏低秩性来提高在复杂情况下跟踪的鲁棒性；3、提高结合多特征融合在线学习和更新技术来缓解压缩传感判别式跟踪中目标飘移问题，研究多种分类器对于判别式跟踪中对判决面的影响，提高前景与背景的区分度，自适应的选择合适的分类器完成判别式的跟踪，减少跟踪结果不准确带来的累积误差；4、为提高目标特征的有效性，将实时的结合跟踪结果。

基于视觉的运动目标跟踪是对视频进行智能分析的一个关键技术，因此具有非常重要的工程应用价值和理论指导意义。为了完成鲁棒的视觉目标的跟踪，我们从多特征融合、稀疏低秩结构、目标的表观表达、状态更新和深度学习等不同的角度对该领域开展了深入的研究，取得了一系列创新的研究工作。例如提出了深度相对度量学习的视觉跟踪，解决了常见跟踪方法的直接跟踪的缺点；提出低秩重检测的多特征时空上下文的视觉跟踪，缓解上下文跟踪的遮挡问题提出了通过深度回归学习的从部分到目标的跟踪方法，将部件与目标直接联系起来；提出了结合采样与回归的视觉跟踪方法，将采样与回归的优点进行了合理的结合提高了跟踪效果；提出了协同结构稀疏重构的判别性视觉跟踪方法，将背景与前景的判别行结构信息引入到表观表达，提高了跟踪性能。在本项目的支持下，本项目组成员在国际电子学会图像处理会刊（TIP）中国科学等中外文期刊及国际电子学会计算机视觉与模式识别（CVPR）等国际知名会议上发表论文19篇，其中期刊论文13篇，会议论文6篇，撰写学术专著1部，申请发明专利4项，获得山东省高校科研成果三等奖一项。在本项目的资助下，项目组成员积极开展国内外学术交流， 培养多名硕士与获得国家青年基金资助的博士毕业，达到了预期的目标，按计划圆满完成课题任务。