本發(fā)明涉及信息
技術(shù)領(lǐng)域：
，具體涉及一種基于稀疏判別學(xué)習(xí)的目標(biāo)跟蹤方法
背景技術(shù)：
：目標(biāo)跟蹤是計(jì)算機(jī)視覺(jué)研究領(lǐng)域中重要的基礎(chǔ)問(wèn)題之一，在監(jiān)控、運(yùn)動(dòng)估計(jì)、人機(jī)交互等方面具有非常廣泛的應(yīng)用。近年來(lái)出現(xiàn)的許多跟蹤算法在一定的場(chǎng)景下能夠較好的跟蹤目標(biāo)物體，如粒子濾波、Boosting算法、L1跟蹤算法等。但是，由于視頻是一個(gè)復(fù)雜場(chǎng)景下的時(shí)序圖像序列，復(fù)雜場(chǎng)景包括了光照變化、遮擋、動(dòng)作變形、背景雜亂、目標(biāo)尺度變化等，因此，構(gòu)建一個(gè)自適應(yīng)的目標(biāo)表達(dá)模型以便得到魯棒的跟蹤算法，是目前跟蹤領(lǐng)域的研究熱點(diǎn)，也是難點(diǎn)問(wèn)題。在近年來(lái)的跟蹤算法中，一部分通過(guò)建立目標(biāo)外觀模型把跟蹤問(wèn)題公式化為最佳模板匹配或最大似然區(qū)域估計(jì)問(wèn)題，這些方法稱(chēng)為基于生成模型的跟蹤算法，如何構(gòu)建一個(gè)準(zhǔn)確的外觀模型以適應(yīng)目標(biāo)外觀變化是這類(lèi)算法的核心。還有一部分認(rèn)為跟蹤是一個(gè)二值分類(lèi)問(wèn)題，把跟蹤看作是將前景目標(biāo)從背景中分離出來(lái)，這一類(lèi)方法采用了許多分類(lèi)器算法，稱(chēng)為基于判別模型的跟蹤算法。如樸素貝葉斯分類(lèi)器，基于boosting的分類(lèi)器，支持向量機(jī)，P-N學(xué)習(xí)分類(lèi)器等等。分類(lèi)器算法的準(zhǔn)確性在訓(xùn)練樣例很大的情況下性能較佳，因此通常采用在線(xiàn)更新以獲取更多的訓(xùn)練樣例。用稀疏表達(dá)重建信號(hào)的技術(shù)已在人臉識(shí)別、圖像分類(lèi)、圖像去噪去模糊等應(yīng)用中有非常突出的表現(xiàn)，基于稀疏表示的跟蹤算法也取得了一定的進(jìn)展。這些算法利用第一幀目標(biāo)信息建立一個(gè)包括目標(biāo)和噪聲的模板集合，每一個(gè)樣本可以表示為若干個(gè)模板列向量的稀疏線(xiàn)性組合，這種稀疏性由求解L1正則化最小二乘問(wèn)題來(lái)求解，并將具有最小重構(gòu)誤差的候選作為跟蹤目標(biāo)。由于引入了噪聲模板，在處理遮擋時(shí)算法比較準(zhǔn)確和魯棒，但當(dāng)目標(biāo)經(jīng)常發(fā)生形變時(shí)，模板集合基向量就無(wú)法表示形變目標(biāo)。另外，模板集合實(shí)際上是無(wú)學(xué)習(xí)過(guò)程的字典，因此求得的稀疏編碼不能保證最大的稀疏性，重構(gòu)誤差最小的樣本也不一定是最佳候選，容易積累漂移誤差。技術(shù)實(shí)現(xiàn)要素：本發(fā)明提供了一種基于稀疏判別學(xué)習(xí)的目標(biāo)跟蹤方法，在建立目標(biāo)外觀模型時(shí)，加入了與目標(biāo)有空間相關(guān)性的周?chē)尘白鳛榫€(xiàn)索模板，以此來(lái)近似目標(biāo)姿態(tài)的變化。本發(fā)明提供了一種基于稀疏判別學(xué)習(xí)的目標(biāo)跟蹤方法，包括：構(gòu)建目標(biāo)外觀模型；對(duì)構(gòu)建的目標(biāo)外觀模型通過(guò)特征提取將二維圖像塊變成一維向量進(jìn)行處理，并且對(duì)所述一維向量進(jìn)行歸一化處理；在目前跟蹤中引入基于有監(jiān)督的判別字典學(xué)習(xí)方法，在重構(gòu)誤差項(xiàng)的基礎(chǔ)上增加分類(lèi)誤差項(xiàng)；在稀疏度約束下求解最小重構(gòu)誤差項(xiàng)，采用迭代交換優(yōu)化策略更新字典和稀疏編碼；采用歐氏距離來(lái)度量向量之間的相似性，將相似性最高的樣本作為候選跟蹤目標(biāo)。所述構(gòu)建目標(biāo)外觀模型包括：用字典表示一個(gè)目標(biāo)外觀模型，將跟蹤問(wèn)題轉(zhuǎn)化為最優(yōu)稀疏近似問(wèn)題，所述目標(biāo)外觀建模為一個(gè)包含目標(biāo)和噪聲的模板字典。所述在目前跟蹤中引入有監(jiān)督的判別字典學(xué)習(xí)方法，在重構(gòu)誤差項(xiàng)的基礎(chǔ)上增加分類(lèi)誤差項(xiàng)具體為：基于字典和稀疏編碼求解目標(biāo)函數(shù)，所述目標(biāo)函數(shù)為：argminD,X||Y-DX||22+ΣiL{hi,f(xi,W)}s.t.∀i,||xi||0≤ϵ]]>其中第一項(xiàng)為重構(gòu)誤差項(xiàng)，Y＝[y1,y2...yN]∈Rn×N是訓(xùn)練樣本，D是要學(xué)習(xí)的一組過(guò)完備字典基，X＝[x1,x2...xN]∈Rk×N是稀疏編碼系數(shù)；第二項(xiàng)是分類(lèi)誤差項(xiàng)，本文采用線(xiàn)性分類(lèi)器f(x)＝Wx+b的損失函數(shù)來(lái)表示，W是分類(lèi)器參數(shù)，hi是yi的類(lèi)別標(biāo)注；ε是控制稀疏性的閾值。所述在稀疏度約束下求解最小重構(gòu)誤差項(xiàng)具體為：將約束條件轉(zhuǎn)換為將稀疏編碼的L1范數(shù)作為正則項(xiàng)來(lái)保證稀疏性，轉(zhuǎn)化為求解無(wú)約束優(yōu)化問(wèn)題：argminD,X||Y-DX||22+α||G-WX||22+λ||X||1]]>其中G＝[g1,g2...gN]∈R2×N是Y為前景或背景的類(lèi)別標(biāo)注集合，當(dāng)yi是目標(biāo)采樣時(shí)gi＝[1,0]T，否則gi＝[0,1]T；α是控制類(lèi)別信息權(quán)重的參數(shù)，λ是控制重構(gòu)稀疏性的正則參數(shù)。所述采用迭代交換優(yōu)化策略更新字典和稀疏編碼具體為：令把方程轉(zhuǎn)換為普通的在稀疏度約束下的最小重構(gòu)誤差近似問(wèn)題：argminD,X||Y′-D′X||22+λ||X||1]]>采用迭代交替優(yōu)化策略更新D和X：步驟一：初始化Y，G，D，Y’，D’；步驟二：固定D’，采用OMP求解優(yōu)化模型，更新稀疏編碼X步驟三：固定X，求解帶約束的最小二乘問(wèn)題，更新字典D’；步驟四：若達(dá)到最大迭代次數(shù)，則迭代終止；或者相鄰兩次迭代之后的函數(shù)絕對(duì)值差收斂于閾值，迭代終止；否則返回步驟二。所述采用歐氏距離來(lái)度量向量之間的相似性，將相似性最高的樣本作為候選跟蹤目標(biāo)具體為：i^=argminiR(i)i∈{i|min(||di-d0||2)}]]>其中R(i)是第i個(gè)樣本的重構(gòu)誤差，di是第i個(gè)樣本稀疏編碼最大非負(fù)值對(duì)應(yīng)的字典列向量，d0是初始目標(biāo)對(duì)應(yīng)的字典列向量。在本發(fā)明中，對(duì)目標(biāo)外觀建模時(shí)，考慮了目標(biāo)與周?chē)目臻g相關(guān)性。由于目標(biāo)周?chē)艘徊糠帜繕?biāo)信息和背景信息，當(dāng)目標(biāo)在一段時(shí)間內(nèi)發(fā)生形變時(shí)，可以用來(lái)近似表示目標(biāo)。利用有監(jiān)督的判別字典學(xué)習(xí)方法，通過(guò)迭代優(yōu)化求解出一個(gè)兼顧重構(gòu)和判別性能的過(guò)完備字典，得到的稀疏編碼非常稀疏且具有判別性。在候選目標(biāo)搜索算法上，根據(jù)樣本稀疏編碼最大非負(fù)值的分布和最小重構(gòu)誤差構(gòu)建相似性來(lái)確定候選目標(biāo)。在建立目標(biāo)外觀模型時(shí)，加入了與目標(biāo)有空間相關(guān)性的周?chē)尘白鳛榫€(xiàn)索模板，以此來(lái)近似目標(biāo)姿態(tài)的變化。經(jīng)過(guò)判別稀疏學(xué)習(xí)的字典，所得到的稀疏編碼具有更大的稀疏性和判別性。利用稀疏編碼中最大非負(fù)值所對(duì)應(yīng)的字典基向量的分布，以及樣本的最小重構(gòu)誤差，可以得到估計(jì)的候選跟蹤目標(biāo)。實(shí)驗(yàn)結(jié)果表明本文方法在處理遮擋、光照變化、姿態(tài)變化、背景雜亂等條件下都能較好的跟蹤到目標(biāo)。附圖說(shuō)明為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其它的附圖。圖1是本發(fā)明實(shí)施例中的基于稀疏判別學(xué)習(xí)的目標(biāo)跟蹤方法流程圖；圖2是本發(fā)明實(shí)施例中的基于稀疏判別學(xué)習(xí)的目標(biāo)跟蹤方法原理圖。具體實(shí)施方式下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其它實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。本發(fā)明實(shí)施例子在目標(biāo)外觀建模時(shí)，考慮了目標(biāo)與周?chē)目臻g相關(guān)性。由于目標(biāo)周?chē)艘徊糠帜繕?biāo)信息和背景信息，當(dāng)目標(biāo)在一段時(shí)間內(nèi)發(fā)生形變時(shí)，可以用來(lái)近似表示目標(biāo)。另外，利用有監(jiān)督的判別字典學(xué)習(xí)方法，通過(guò)迭代優(yōu)化求解出一個(gè)兼顧重構(gòu)和判別性能的過(guò)完備字典，得到的稀疏編碼非常稀疏且具有判別性。在候選目標(biāo)搜索算法上，根據(jù)樣本稀疏編碼最大非負(fù)值的分布和最小重構(gòu)誤差構(gòu)建相似性來(lái)確定候選目標(biāo)。圖1示出了本發(fā)明實(shí)施例中的基于判別稀疏模板匹配的目標(biāo)跟蹤方法流程圖，包括如下步驟：S101、構(gòu)建目標(biāo)外觀模型；在稀疏表達(dá)理論中，一個(gè)信號(hào)y∈Rn可以用一個(gè)字典D的m個(gè)基向量對(duì)其進(jìn)行最優(yōu)表示：y=Σi∈Λxidi]]>其中Λ表示所選出基向量標(biāo)號(hào)集，di表示字典D中的列向量。如果字典中的所有基向量構(gòu)成了一個(gè)線(xiàn)性相關(guān)集，字典是冗余的，那么對(duì)目標(biāo)信號(hào)將有無(wú)限多種零誤差的表示，但是要找出其中最稀疏的表示，即求解如下優(yōu)化問(wèn)題：min||x||0s.t.y＝Dx其中，D表示以字典原子(基向量)為列組成矩陣，0范數(shù)||·||0表示向量中非零元素的個(gè)數(shù)。如果字典D是固定的，那么這是一個(gè)最小二乘問(wèn)題；如果要選擇出最優(yōu)的字典基，那么這就是一個(gè)組合問(wèn)題，是一個(gè)NP-hard問(wèn)題。現(xiàn)有陶哲軒等人證明了在D滿(mǎn)足UUP原則的條件下，L0范數(shù)可以使用L1范數(shù)替代，所以問(wèn)題變成一個(gè)凸優(yōu)化問(wèn)題?？紤]目標(biāo)信號(hào)在稀疏度約束下的最小重構(gòu)誤差近似，轉(zhuǎn)化為求解以下優(yōu)化問(wèn)題：min||y-Dx||22s.t.||x||1≤ϵ]]>用字典表示一個(gè)目標(biāo)的外觀模型，跟蹤問(wèn)題就轉(zhuǎn)化為最優(yōu)稀疏近似問(wèn)題，如何學(xué)習(xí)出有效的字典來(lái)處理各種目標(biāo)變化就非常重要。通常目標(biāo)的外觀建模為一個(gè)包含目標(biāo)和噪聲的模板字典，但這并不能近似已發(fā)生形變的目標(biāo)物體。目標(biāo)周?chē)谋尘靶畔⒃谀繕?biāo)發(fā)生形變的一小段時(shí)間內(nèi)變化不大，也就是說(shuō)目標(biāo)與背景的空間信息是保持的，因此可以用來(lái)近似表示目標(biāo)。因此這里把模板字典擴(kuò)展為三部分：目標(biāo)模板T、線(xiàn)索模板B以及噪聲模板，其中線(xiàn)索模板是在目標(biāo)周?chē)蓸佣玫降?。跟蹤?wèn)題就是在后續(xù)幀中找出與目標(biāo)模板或線(xiàn)索模板最匹配的樣本，這是因?yàn)?，同一?lèi)的模板字典基向量存在一個(gè)線(xiàn)性子空間中，當(dāng)有足夠的基向量時(shí)，模板字典可以表示兩種情況：第一種，當(dāng)目標(biāo)未發(fā)生形變時(shí)，后續(xù)幀的候選目標(biāo)樣本y1近似存在于由T的列向量所張成的子空間中y1≈Tx+e，非目標(biāo)樣本y2近似存在于由B的列向量所張成的子空中,y2≈Bx+e，e用于表示遮擋和噪聲，是較小的噪聲系數(shù)。第二種，當(dāng)目標(biāo)發(fā)生部分形變時(shí)，候選目標(biāo)樣本y1和非目標(biāo)樣本y2都近似存在于由B的列向量所張成的子空間中，但目標(biāo)候選采樣具有很小的噪聲系數(shù)，而非目標(biāo)采樣則具有很大的噪聲系數(shù),y≈Bx+e。把上面兩個(gè)式子聯(lián)合起來(lái)，因此一個(gè)采樣信號(hào)可以表示為：y≈Tz+Bv+e=[T,B,I]zve=Dx---(1)]]>其中T＝[t1,t2...tp]∈Rn×p是目標(biāo)模板，B＝[b1,b2...bq]∈Rn×q是線(xiàn)索模板，I∈Rn×n是噪聲模板，是一個(gè)n階單位對(duì)角矩陣。n是一個(gè)信號(hào)的特征維數(shù)。D＝[d1,d2...dk]∈Rn×k(k＝p+q+n)是初始模板字典，被用于字典學(xué)習(xí)。x是y在字典D下對(duì)應(yīng)的稀疏編碼。S102、對(duì)構(gòu)建的目標(biāo)外觀模型通過(guò)特征提取將二維圖像塊變成一維向量進(jìn)行處理，并且對(duì)所述一維向量進(jìn)行歸一化處理；在本實(shí)施例中，模板采樣為大小相等的圖像塊，通過(guò)特征提取將二維圖像塊變成一維向量進(jìn)行處理，并且對(duì)該一維向量進(jìn)行歸一化。經(jīng)過(guò)歸一化處理，一維向量的能量相等，可以看作起始點(diǎn)在原點(diǎn)的不同方向的矢量。目標(biāo)模板T是在第一幀給定的目標(biāo)框周?chē)蓸拥?，令l0(c)表示目標(biāo)中心點(diǎn)位置，則目標(biāo)模板的采樣中心點(diǎn)落在以l0(c)為圓心、半徑為r0的范圍內(nèi)，T＝{t|||l0(t)-l0(c)||<r0}。線(xiàn)索模板在中心點(diǎn)落在以l0(c)為圓心的環(huán)狀范圍內(nèi)進(jìn)行隨機(jī)采樣，B＝{b|r1<||l0(b)-l0(c)||<r2}，且r0<r1<r2。S103、在目前跟蹤中引入基于有監(jiān)督的判別字典學(xué)習(xí)方法，在重構(gòu)誤差項(xiàng)的基礎(chǔ)上增加分類(lèi)誤差項(xiàng)；字典學(xué)習(xí)的目標(biāo)是尋找新的具有較強(qiáng)表達(dá)能力的特征空間，學(xué)習(xí)出的字典對(duì)于稀疏編碼的性能有著非常重要的影響。在跟蹤問(wèn)題上，無(wú)學(xué)習(xí)過(guò)程的字典或無(wú)監(jiān)督的字典學(xué)習(xí)雖然都能取得一定跟蹤準(zhǔn)確性，但要想得到更好的效果，就要結(jié)合目標(biāo)與背景的分類(lèi)信息，這類(lèi)方法稱(chēng)為有監(jiān)督的判別字典學(xué)習(xí)方法，其中判別性體現(xiàn)為：最優(yōu)稀疏編碼選出來(lái)的字典基原子一定是線(xiàn)性無(wú)關(guān)的。本文將有監(jiān)督的判別字典學(xué)習(xí)方法應(yīng)用于跟蹤問(wèn)題，在重構(gòu)誤差項(xiàng)的基礎(chǔ)上增加了分類(lèi)誤差項(xiàng)。因此求解字典和稀疏編碼的目標(biāo)函數(shù)為：其中第一項(xiàng)是重構(gòu)誤差項(xiàng)，Y＝[y1,y2...yN]∈Rn×N是訓(xùn)練樣本，D是要學(xué)習(xí)的一組過(guò)完備字典基。X＝[x1,x2...xN]∈Rk×N是稀疏編碼系數(shù)。第二項(xiàng)是分類(lèi)誤差項(xiàng)，本文采用線(xiàn)性分類(lèi)器f(x)＝Wx+b的損失函數(shù)來(lái)表示，W是分類(lèi)器參數(shù)，hi是yi的類(lèi)別標(biāo)注。ε是控制稀疏性的閾值。S104、在稀疏度約束下求解最小重構(gòu)誤差項(xiàng)，采用迭代交換優(yōu)化策略更新字典和稀疏編碼；把方程2的約束條件轉(zhuǎn)換為將稀疏編碼的L1范數(shù)作為正則項(xiàng)來(lái)保證稀疏性，即轉(zhuǎn)化為求解無(wú)約束優(yōu)化問(wèn)題：其中G＝[g1,g2...gN]∈R2×N是Y為前景或背景的類(lèi)別標(biāo)注集合，當(dāng)yi是目標(biāo)采樣時(shí)gi＝[1,0]T，否則gi＝[0,1]T。α是控制類(lèi)別信息權(quán)重的參數(shù)，λ是控制重構(gòu)稀疏性的正則參數(shù)。將方程(3)其進(jìn)行適當(dāng)變換以便求解。令這樣就把方程3轉(zhuǎn)換為普通的在稀疏度約束下的最小重構(gòu)誤差近似問(wèn)題：采用迭代交替優(yōu)化策略更新D和X：(1)初始化Y，G，D，Y’，D’(2)固定D’，采用OMP求解優(yōu)化模型，更新稀疏編碼X(3)固定X，求解帶約束的最小二乘問(wèn)題，更新字典D’(4)若達(dá)到最大迭代次數(shù)，則迭代終止。或者相鄰兩次迭代之后的函數(shù)絕對(duì)值差收斂于閾值，迭代終止。否則返回(2)。S105、采用歐氏距離來(lái)度量向量之間的相似性，將相似性最高的樣本作為候選跟蹤目標(biāo)。通常視頻目標(biāo)在前后幀之間的變化是有聯(lián)系的，因此，在當(dāng)前幀，圍繞著上一幀目標(biāo)中心點(diǎn)進(jìn)行采樣所得到的樣本是估計(jì)的目標(biāo)區(qū)域。在上一節(jié)學(xué)習(xí)出判別字典后，可以求解出采樣樣本的稀疏編碼和重構(gòu)誤差。稀疏編碼中最大非負(fù)值的行號(hào)，所對(duì)應(yīng)著字典的列基向量，就是最能近似該樣本的模板向量。本文在后面討論的向量，都是指的字典基向量。圖2示出了本發(fā)明實(shí)施例中的基于判別稀疏模板匹配的目標(biāo)跟蹤方法原理圖，該在所有樣本中，具有最小重構(gòu)誤差的樣本不一定是最佳跟蹤目標(biāo)。由于目標(biāo)模板對(duì)應(yīng)的基向量存在一個(gè)線(xiàn)性子空間中，最佳候選目標(biāo)也應(yīng)該在這個(gè)子空間中，并且與初始目標(biāo)向量距離最近。這里采用歐氏距離來(lái)度量向量之間的相似性，相似性最高的樣本就是候選跟蹤目標(biāo)。符合這個(gè)條件樣本個(gè)數(shù)往往比較多，再?gòu)闹羞x擇具有最小重構(gòu)誤差的樣本作為跟蹤目標(biāo)樣本，也就是說(shuō)，候選跟蹤目標(biāo)是在稀疏編碼分布約束下的具有最小重構(gòu)誤差的樣本。本文方法得到的最佳跟蹤目標(biāo)樣本為：i^=argminiR(i)i∈{i|min(||di-d0||2)}]]>其中R(i)是第i個(gè)樣本的重構(gòu)誤差，di是第i個(gè)樣本稀疏編碼最大非負(fù)值對(duì)應(yīng)的字典列向量，d0是初始目標(biāo)對(duì)應(yīng)的字典列向量。綜上，對(duì)目標(biāo)外觀建模時(shí)，考慮了目標(biāo)與周?chē)目臻g相關(guān)性。由于目標(biāo)周?chē)艘徊糠帜繕?biāo)信息和背景信息，當(dāng)目標(biāo)在一段時(shí)間內(nèi)發(fā)生形變時(shí)，可以用來(lái)近似表示目標(biāo)。利用有監(jiān)督的判別字典學(xué)習(xí)方法，通過(guò)迭代優(yōu)化求解出一個(gè)兼顧重構(gòu)和判別性能的過(guò)完備字典，得到的稀疏編碼非常稀疏且具有判別性。在候選目標(biāo)搜索算法上，根據(jù)樣本稀疏編碼最大非負(fù)值的分布和最小重構(gòu)誤差構(gòu)建相似性來(lái)確定候選目標(biāo)。在建立目標(biāo)外觀模型時(shí)，加入了與目標(biāo)有空間相關(guān)性的周?chē)尘白鳛榫€(xiàn)索模板，以此來(lái)近似目標(biāo)姿態(tài)的變化。經(jīng)過(guò)判別稀疏學(xué)習(xí)的字典，所得到的稀疏編碼具有更大的稀疏性和判別性。利用稀疏編碼中最大非負(fù)值所對(duì)應(yīng)的字典基向量的分布，以及樣本的最小重構(gòu)誤差，可以得到估計(jì)的候選跟蹤目標(biāo)。實(shí)驗(yàn)結(jié)果表明本文方法在處理遮擋、光照變化、姿態(tài)變化、背景雜亂等條件下都能較好的跟蹤到目標(biāo)。本領(lǐng)域普通技術(shù)人員可以理解上述實(shí)施例的各種方法中的全部或部分步驟是可以通過(guò)程序來(lái)指令相關(guān)的硬件來(lái)完成，該程序可以存儲(chǔ)于計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中，存儲(chǔ)介質(zhì)可以包括：只讀存儲(chǔ)器(ROM，ReadOnlyMemory)、隨機(jī)存取存儲(chǔ)器(RAM，RandomAccessMemory)、磁盤(pán)或光盤(pán)等。以上對(duì)本發(fā)明實(shí)施例所提供的基于稀疏判別學(xué)習(xí)的目標(biāo)跟蹤方法進(jìn)行了詳細(xì)介紹，本文中應(yīng)用了具體個(gè)例對(duì)本發(fā)明的原理及實(shí)施方式進(jìn)行了闡述，以上實(shí)施例的說(shuō)明只是用于幫助理解本發(fā)明的方法及其核心思想；同時(shí)，對(duì)于本領(lǐng)域的一般技術(shù)人員，依據(jù)本發(fā)明的思想，在具體實(shí)施方式及應(yīng)用范圍上均會(huì)有改變之處，綜上所述，本說(shuō)明書(shū)內(nèi)容不應(yīng)理解為對(duì)本發(fā)明的限制。當(dāng)前第1頁(yè)1 2 3