基于字典編碼模型的目標(biāo)跟蹤算法研究.pdf

1、近些年來目標(biāo)跟蹤技術(shù)始終活躍于智能視覺領(lǐng)域，在實(shí)際生活及工業(yè)場所如機(jī)場，車站，商場等都發(fā)揮著極大的作用。由于遮擋，形變，旋轉(zhuǎn)，尺度和背景雜亂等挑戰(zhàn)性因素，開發(fā)一個既有效又快速的跟蹤器一直是一項(xiàng)很困難的課題。本文對目標(biāo)跟蹤的研究意義，研究現(xiàn)狀和研究難點(diǎn)進(jìn)行了總結(jié)分析，介紹了相關(guān)的當(dāng)前較好的目標(biāo)跟蹤算法以及基于字典表示的編碼模型，同時給出了它們的優(yōu)勢和不足之處。在此基礎(chǔ)上，我們提出了兩種基于字典表示結(jié)構(gòu)的視覺跟蹤算法，即基于判決性字典外觀學(xué)

2、習(xí)的目標(biāo)跟蹤和基于雙重聚類結(jié)構(gòu)的目標(biāo)跟蹤。
　　本文首先分析了之前基于字典建模的局限性，提出了判決性字典學(xué)習(xí)的模型，將外觀學(xué)習(xí)和目標(biāo)匹配規(guī)劃在同一個目標(biāo)框架下，同時聯(lián)合學(xué)習(xí)字典和分類器，使其相互促進(jìn)，有利于跟蹤性能的提升。同時采用了差分跟蹤的方法優(yōu)化求解目標(biāo)的運(yùn)動變化量，使目標(biāo)框更有目的性地移動，避免了對大量無關(guān)候選的處理操作，提高算法效率。此外，本文還提出了基于支持向量機(jī)分類器的在線更新策略，以捕捉跟蹤過程中目標(biāo)的外觀變化，并削

3、弱遮擋和不精確定位產(chǎn)生的不利影響。
　　本文還分析了原始稀疏表示模型的不足之處，將其在群組層面上進(jìn)行建模，同時利用字典原子和候選樣本之間的聚類結(jié)構(gòu)信息，并聯(lián)合考慮了樣本間的共性和各自的特性。候選的聚類可以使得所有樣本共同編碼，而字典的聚類能夠產(chǎn)生群聚效應(yīng)。另外，我們給出了一個快速的求解方法來優(yōu)化目標(biāo)函數(shù)，該優(yōu)化過程包含了一個矩陣閾值化和向量閾值化的操作，很自然的得到了所期望的組間稀疏和組內(nèi)稀疏模式。為顯式處理遮擋影響，我們還加入了