http://hi.baidu.com/windey1988/item/b45f4c9aa4eab017934f415b
今天看的是Xue Mei等发在CVPR2011上的一篇文章《Minimum Error Bounded Efficient L1 Tracker with Occlusion Detection》,是对其在ICCV09上的那篇L1-Tracker的改进。文章借鉴了ICCV09上的《A robust boosting tracker with minimum error bound in a co-training framework》关于误差边界的思路。
原始的L1跟踪算法中对于每个跟踪的粒子都需要计算稀疏表示。而L1的计算代价是高昂的。
如何减少这种高昂的计算量呢?我们可以考虑的是,对于那些在重采样过程中可能会被淘汰的粒子,尽量不去计算它们的稀疏表示。
因此,论文中提出了遮挡检测。由于出现较大程度的遮挡时,此时用目标模板集的稀疏表示无法有效地表示测量信号,此时很大程度上依赖于平凡模板。遮挡区域由于无法用模板对应位置的像素进行度量,则依靠平凡模板来度量。而平凡模板集中的每个模板刚好和观测信号中每个像素位置对应起来了。举个例子,若感兴趣目标大小为[12 15],组成的是180维的目标向量。模板向量同样是180维,平凡模板个数为180个,每个平凡模板中仅有一个元素为1,其余全为0,刚好对应的是其每个位置的像素。由平凡模板的系数可以得到一幅系数图像与测量信号图像一一对应。这样若出现遮挡,那么遮挡区域对应的系数图像区域肯定是有值的。我们对系数图像进行二值化和形态学操作,统计连通区域的大小,若超过阈值如系数图像的30%,则判定为遮挡。出现遮挡之后连续几帧不更新模板集。