基于深度特征的鲁棒结构化组局部稀疏跟踪器
计算机视觉与模式识别
2020-03-31 v2
摘要
稀疏表示近来已成功应用于视觉跟踪。其利用一组模板表示目标候选并以找到最小重构误差者作为跟踪结果。本文提出一种鲁棒的基于深度特征的结构化组局部稀疏跟踪器（DF-SGLST），其利用目标候选内部局部块深度特征，并在粒子滤波框架下用一组模板表示它们。与常规局部稀疏跟踪器不同，DF-SGLST中提出的优化模型采用组稀疏正则项以无缝采纳目标候选的局部与空间信息并获取其间空间布局结构。为求解该优化模型，我们提出一种由具闭式解的两个子问题构成的高效快速数值算法。在具挑战性图像序列基准（如OTB50与OTB100）上基于成功与精度的不同评估，展示了所提跟踪器相对于若干SOTA跟踪器的优越性能。
引用
@article{arxiv.1902.07668,
title = {Robust Structured Group Local Sparse Tracker Using Deep Features},
author = {Mohammadreza Javanmardi and Amir Hossein Farzaneh and Xiaojun Qi},
journal= {arXiv preprint arXiv:1902.07668},
year = {2020}
}
备注
This submission is similar version of Structured Group Local Sparse Tracker arXiv:1902.06182