基于ML和L2范数的视频目标跟踪算法

姜明新; 王洪玉; 王洁; 王彪

doi:10.3969/j.issn.0372-2112.2013.11.031

您当前的位置：

首页 >

文章列表页 >

基于ML和L2范数的视频目标跟踪算法

科研通信 | 更新时间：2025-07-16

- 基于ML和L2范数的视频目标跟踪算法
- Visual Object Tracking Algorithm Based on ML and L2-Norm
- 电子学报 2013年41卷第11期页码：2307-2313
- 作者机构：
  
  1. 大连理工大学信息与通信工程学院,辽宁,大连,116024
  2. 大连民族学院信息与通信工程学院,辽宁,大连,116600
  3. 大连理工大学信息与通信工程学院,辽宁,大连,116024
  4. 大连民族学院信息与通信工程学院,辽宁,大连,116600
- 作者简介：
- 基金信息：
  
  国家自然科学基金 (No.61172058）;中央高校自主基金 (No.DC10010103）;辽宁省教育厅资助项目 (No.L2012476）
- DOI：10.3969/j.issn.0372-2112.2013.11.031
  中图分类号： TP391.41
- 纸质出版：2013
- 稿件说明：
移动端阅览
姜明新, 王洪玉, 王洁, 等. 基于ML和L2范数的视频目标跟踪算法[J]. 电子学报, 2013,41(11):2307-2313.

JIANG Ming-xin, WANG Hong-yu, WANG Jie, et al. Visual Object Tracking Algorithm Based on ML and L2-Norm[J]. Acta Electronica Sinica, 2013, 41(11): 2307-2313.
姜明新, 王洪玉, 王洁, 等. 基于ML和L2范数的视频目标跟踪算法[J]. 电子学报, 2013,41(11):2307-2313. DOI： 10.3969/j.issn.0372-2112.2013.11.031.

JIANG Ming-xin, WANG Hong-yu, WANG Jie, et al. Visual Object Tracking Algorithm Based on ML and L2-Norm[J]. Acta Electronica Sinica, 2013, 41(11): 2307-2313. DOI： 10.3969/j.issn.0372-2112.2013.11.031.

摘要

目标跟踪是计算机视觉领域的一个具有挑战性的问题，本文提出了一种基于ML（最大似然）估计和L2范数的视频目标跟踪算法.建立基于稀疏限制的ML模型，给样本中的异常像素分配较小的权值，减少异常像素对跟踪算法的影响.利用L2范数最小化进行稀疏编码求解.采用贝叶斯估计得出目标跟踪结果.与其他典型算法相比，本算法降低了计算的复杂度，对遮挡，旋转，尺度变化，光照变化等异常变化具有较强的鲁棒性.

Abstract

The tracking of target is a challenging issue in computer vision.In this paper

we propose a visual object tracking algorithm based on ML estimation and L2-norm.Firstly

the model of sparsity constrained ML is established.Abnormal pixels in the samples will be assigned with low weights to reduce their affects on the tracking algorithm.Then

L2-norm minimization is used to solve the sparse coding.Finally

the object tracking results is obtained using Bayesian MAP estimation.Compared with other popular methods

our proposed method reduces the computational complexity and has stronger robustness to abnormal changes(e.g.occlusion

rotation

scale change

illumination

etc.)

关键词

Keywords

references

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

暂无数据