壓縮特征目標(biāo)的低秩跟蹤算法研究.pdf

1、近年來，GPU及并行計(jì)算的發(fā)展使得計(jì)算機(jī)處理數(shù)字圖像的能力大大提升，計(jì)算機(jī)視覺已從研究領(lǐng)域逐漸轉(zhuǎn)向應(yīng)用技術(shù)發(fā)展。視頻目標(biāo)跟蹤是計(jì)算機(jī)視覺領(lǐng)域的重要研究方向，在國防和民用方面發(fā)揮著重要作用，實(shí)現(xiàn)復(fù)雜場景下的魯棒跟蹤在目標(biāo)跟蹤領(lǐng)域是一項(xiàng)函待解決的問題。
　　本文主要研究基于壓縮感知和矩陣低秩稀疏分解的目標(biāo)跟蹤算法。壓縮感知是圖像處理領(lǐng)域的研究熱點(diǎn)，用于對大規(guī)模數(shù)據(jù)進(jìn)行分析與處理。壓縮感知跟蹤器提取圖像的壓縮域特征，采用分類器對特征分類

2、確定最佳目標(biāo)估計(jì)。該方法對特征質(zhì)量要求高，對于缺乏判別力的特征難以分出前景。同一目標(biāo)在不同時刻具備相似性，這種相似性代表圖像中的低秩部分，矩陣低秩稀疏分解就是研究如何恢復(fù)矩陣的低秩性。矩陣低秩稀疏分解跟蹤器將目標(biāo)跟蹤看作尋找與目標(biāo)模板最相似區(qū)域問題，該方法較壓縮感知跟蹤器對特征質(zhì)量的要求低，但實(shí)時性較差。
　　本文基于上述兩種跟蹤器的優(yōu)缺點(diǎn)，將壓縮感知和矩陣低秩稀疏分解結(jié)合完成單目標(biāo)跟蹤任務(wù)。本文將壓縮感知跟蹤器中的分類器替換為矩

3、陣低秩稀疏分解，利用非精確增廣拉格朗日乘子法分解目標(biāo)外觀模型，一定程度上減弱了跟蹤器對特征質(zhì)量的要求；利用壓縮感知對特征有效降維，降低了矩陣低秩稀疏分解的計(jì)算量；針對目標(biāo)部分遮擋、快速運(yùn)動及光照變化等問題，提出了一種字典更新方法，一定程度上克服了上述問題對跟蹤魯棒性帶來的影響。在此基礎(chǔ)上，對本文算法進(jìn)行改進(jìn)，引入向量相似度判別、軌跡修正以及一種新的觀測矩陣構(gòu)建方法，提高了算法的實(shí)時性和魯棒性。通過與幾種流行的目標(biāo)跟蹤算法進(jìn)行對比，驗(yàn)證了