面向復雜環(huán)境的局部稀疏目標跟蹤算法研究.pdf

1、視覺目標跟蹤是計算機視覺核心組成，有著廣泛的應(yīng)用前景，如無人自動駕駛、安全監(jiān)控系統(tǒng)、基于視覺的智能交通等等。雖然這個領(lǐng)域已經(jīng)被研究了很多年，也取得了不少進展，但因為在跟蹤過程中興趣目標會經(jīng)歷姿態(tài)變化，光照變化，背景嘈雜，遮擋，運動模糊等干擾，導致跟蹤目標的外觀模型發(fā)生顯著變化，此時跟蹤器如果不能適應(yīng)以上變化，將造成跟蹤失敗。而稀疏表示因能夠很好的應(yīng)對噪聲的影響并可以很好地對目標進行外觀建模，近年來被應(yīng)用于運動目標跟蹤領(lǐng)域。
　　現(xiàn)

2、有局部稀疏模型方法的主要有三個不足之處:1）目標局部分塊后，沒有考慮不同局部塊對甄別目標貢獻的大小，導致缺乏判別力;2）構(gòu)建目標外觀模型時沒有考慮時間上下文的約束作用;3）主成分與稀疏表示相結(jié)合的模板更新會丟失部分重要信息，且不夠自適應(yīng)。針對以上三個問題，本文設(shè)計了一種基于權(quán)重的局部稀疏表示的外觀模型，然后在此基礎(chǔ)上建立了一種目標幀間相似度作為目標的時間上下文約束關(guān)系，并基于改進的模板更新方法，構(gòu)建了一種局部稀疏表示的自適應(yīng)目標跟蹤算法

3、。論文具體工作如下:
　　(1)針對現(xiàn)有局部稀疏模型使用簡單分塊來對目標外形建模的不足，本文設(shè)計了一種基于權(quán)重的局部稀疏表示的外觀模型。該方法首先對目標進行局部分塊，然后對局部塊進行權(quán)重計算，尋找表現(xiàn)比較一致和穩(wěn)定的局部圖像塊并賦予更高的權(quán)重，最后通過齊匯聚操作獲得目標的最終外觀模型的特征表示。在2015 PAMIbenchmark數(shù)據(jù)集上的測試表明，通過權(quán)重操作后，跟蹤算法可以更好地抑制遮擋、運動模型等噪聲對跟蹤器性能的影響。<

4、br>　　(2)在權(quán)重的局部稀疏表示的外觀模型基礎(chǔ)上，本文構(gòu)建了一種目標幀間相似度作為目標的時間上下文約束，權(quán)重信息和時間信息二者共同作用促進目標表達更加準確。此外目前增量子空間學習與稀疏表示結(jié)合的模板更新方法會丟失部分信息，且是固定幀地更新目標外觀模型。本文改進其方法，在模板更新時，稀疏表示只對噪聲進行稀疏約束而不對PCA的特征基向量矩陣進行稀疏限制，從而確?？梢园阉械闹鞒煞钟糜谥貥?gòu)目標并移除噪聲的影響。
　　最后通過公共的目