基于低秩稀疏表示的目標跟蹤算法研究.pdf

1、雖然在不少研究者們的深入研究下，視頻目標跟蹤算法在過去的幾十年里有了很大進展，但是復雜場景中存在的遮擋、光照變化、目標形變及動態(tài)背景噪聲等因素引起的目標外觀變化，使得設計一個高精確性、穩(wěn)定性和魯棒性的跟蹤算法仍然是一個富有挑戰(zhàn)性的任務。本文在現(xiàn)有目標跟蹤算法的基礎上提出了兩種基于低秩稀疏表示的目標跟蹤算法。
　　本文首先在生成模型的框架下引入了低秩稀疏表示模型，提出了基于主成分分析基向量模板和平方模板的低秩稀疏表示模型。該模型充分

2、利用了主成分分析基向量模板和平方模板用于構建目標外觀模型字典矩陣的優(yōu)勢，而且低秩約束很好地反映了候選粒子的結構信息。由于不同質量的目標跟蹤結果對子空間的構造和更新具有不同的影響，故對每一個跟蹤結果引入了一個基于目標重構誤差的權重值，再將該新樣本用于增量主成分分析算法來更新目標表示模型。最終得到了一個基于低秩稀疏表示的加權增量目標跟蹤算法(LRSWT)。
　　本文還提出了一個基于聯(lián)合系數(shù)矩陣的低秩稀疏表示目標跟蹤算法(JCLRST)

3、，該算法提出了一個新的基于聯(lián)合系數(shù)矩陣的低秩稀疏目標表示模型，它在進行多任務處理時將目標低秩稀疏表示的系數(shù)矩陣分為了兩個部分之和，一個部分用于對具有相關性的任務進行表示，另一個部分用于表示多任務中的離群值。且對前一部分系數(shù)矩陣同時加以低秩和稀疏約束進行學習，而對后一部分僅加以稀疏約束進行學習。最后將該目標表示模型嵌入到粒子濾波框架中，獲得了一個新的目標跟蹤算法。并且就粒子濾波中存在的粒子退化問題，對每一幀中的所有候選粒子進行重采樣，與以