江南大学 物联网工程学院，江苏 无锡 214122
传统的稀疏表示跟踪算法直接利用较为简单的灰度特征进行稀疏表示系数计算，易受遮挡、形变等影响。为此，提出一种局部自适应加权算法来增加受遮挡、形变等影响的候选目标与未受遮挡、形变等影响的候选目标之间的区分度。另外，一般稀疏表示算法利用数量较少的目标模板构建过完备字典。无法获得较好的稀疏系数。提出逆稀疏表示算法，利用包含丰富目标特征和背景特征的候选目标构建过完备字典来重构目标模板，相同维度的目标模板条件下可以获得更好的稀疏系数。实验表明，该算法在目标背景差异小或严重遮挡、形变情况下，都能够较好的跟踪目标。
稀疏表示 自适应加权 过完备字典 候选目标 sparse representation adaptive weighting over-complete dictionary candidate target
