復(fù)雜場景下的壓縮跟蹤算法研究.pdf

1、目標(biāo)跟蹤是機器視覺的研究熱點之一，在人工智能、交通控制、公共安防和視頻監(jiān)控等領(lǐng)域有著很好的應(yīng)用價值。壓縮感知通過信號的稀疏性，將原始特征進行壓縮得到新特征，提高了算法的實時性。之后被引入到跟蹤領(lǐng)域中，取得了一定的成果。但在跟蹤過程中，運動目標(biāo)受周圍環(huán)境因素的影響，易產(chǎn)生跟蹤漂移或目標(biāo)丟失現(xiàn)象。
　　論文在前人相關(guān)研究成果的基礎(chǔ)上，深入研究了壓縮跟蹤算法。本文對存在的問題提出了一些改進方法，主要工作如下：
　　1、提出一種基于

2、在線矩形特征選擇的壓縮跟蹤算法。該算法首先生成投影矩陣，利用該隨機投影矩陣提取特征構(gòu)造候選特征池，在特征池中使用矩形特征來表示目標(biāo)特性，并去除與目標(biāo)差異較大的矩形特征，最后計算分類分?jǐn)?shù)最大的窗口為目標(biāo)窗口，從而實現(xiàn)跟蹤。實驗結(jié)果表明：改進方法在目標(biāo)紋理、光照和復(fù)雜背景變化較大的情況下具有更強的魯棒性。
　　2、提出面向跟蹤漂移的快速壓縮跟蹤算法（fast compressive tracking,FCT）。該算法首先將輸入圖片與不

3、同的矩形框進行卷積獲取特征，利用隨機投影矩陣對高維特征進行壓縮；然后，在壓縮域選擇反映跟蹤目標(biāo)特點的中心特征、線性特征和邊緣特征來構(gòu)造特征池；將樣本輸入樸素貝葉斯分類器進行分類，其中分類分?jǐn)?shù)最大的窗口即為目標(biāo)窗口；最后，最后通過對學(xué)習(xí)率參數(shù)進行優(yōu)化，以減少噪聲對跟蹤漂移的影響。實驗結(jié)果表明：改進方法有效地改善了跟蹤漂移問題，提高了FCT算法的精確性和穩(wěn)定性。同時，改進方法比FCT算法的處理時間略少。
　　3、提出改進的多特征壓縮跟