用于在线多目标跟踪的时空KSVD字典学习
计算机视觉与模式识别
2018-07-09 v1
摘要
本文提出一种新的空间判别KSVD字典算法（STKSVD），用于在线多目标跟踪中学习目标外观。不同于其他分类/识别任务（如人脸、图像识别），在线多目标跟踪中学习目标外观受到姿态/关节变化、被背景场景或其他目标部分遮挡、背景变化（人体检测边界框覆盖人体部分及部分场景）等因素的影响。然而，我们观察到这些变异相对于空间和时间动态是逐渐发生的。我们通过一种新的STKSVD外观学习算法来刻画目标样本间的空间与时间信息，以在单一优化系统中更好地区分稀疏编码、线性分类器参数并最小化重构误差。我们的外观学习算法与跟踪框架在两阶段关联的每个阶段采用两种不同的外观相似度评分计算方法：第一阶段为线性分类器，第二阶段为最小残差误差。使用2DMOT2015数据集及其公开的聚合通道特征（ACF）人体检测进行的所有对比测试结果表明，我们的方法优于现有的相关学习方法。
引用
@article{arxiv.1807.02143,
title = {Spatiotemporal KSVD Dictionary Learning for Online Multi-target Tracking},
author = {Huynh Manh and Gita Alaghband},
journal= {arXiv preprint arXiv:1807.02143},
year = {2018}
}
备注
To appear in Proceedings of 15th Conference on Computer and Robot Vision 2018 (Oral)