基于稀疏表達的目標(biāo)跟蹤算法研究.pdf

1、隨著計算機技術(shù)的飛速發(fā)展，圖像處理和計算能力得到了極大提高，計算機視覺也取得了較快的發(fā)展。視覺目標(biāo)跟蹤技術(shù)是計算機視覺領(lǐng)域的重點問題。目前，雖然專家學(xué)者已經(jīng)研究了很長時間，取得了豐碩的研究成果，但是由于目標(biāo)易受遮擋、光照強度變化、目標(biāo)旋轉(zhuǎn)等干擾因素的影響，復(fù)雜背景下的目標(biāo)跟蹤問題依然面臨著各種挑戰(zhàn)。如何設(shè)計魯棒性強的目標(biāo)跟蹤算法來應(yīng)對各種挑戰(zhàn)仍是亟待解決的問題。
　　本文通過研究基于稀疏表達的目標(biāo)跟蹤算法做了以下主要工作：基于L1

2、最小化跟蹤算法的研究及改進，基于L1最小化跟蹤算法共有兩個缺點：一是稀疏性假設(shè)并不是一直成立；二是計算復(fù)雜度太高，算法實時性不好。針對以上缺點對該算法進行改進，利用大幅度擾動模板代替正負小模板組建稀疏字典。實驗表明算法的實時性得到改善，但是復(fù)雜場景下目標(biāo)跟蹤的魯棒性仍受到影響。基于局部結(jié)構(gòu)化稀疏目標(biāo)跟蹤算法的改進：首先對灰度特征空間進行類棋盤格交叉像素取樣，然后對取樣后的圖像采用一種新的局部結(jié)構(gòu)化方法進行稀疏字典的組建。實驗表明改進后的

3、算法在保證跟蹤準(zhǔn)確性的同時改善了跟蹤實時性。通過研究基于稀疏表達的判別式跟蹤算法，采用全局模板和局部結(jié)構(gòu)化的混合模板對目標(biāo)進行表觀建模，全局模板對目標(biāo)候選的稀疏表示可得重構(gòu)誤差，局部結(jié)構(gòu)化稀疏字典對目標(biāo)候選進行稀疏表示可得相似性函數(shù)，然后利用logistic判別函數(shù)將兩種建模方式結(jié)合起來，將最優(yōu)的判別結(jié)果作為跟蹤結(jié)果。實驗部分針對六種不同噪聲干擾的序列進行跟蹤，并將本文算法與單獨使用全局模板和局部結(jié)構(gòu)化的方法進行對比，實驗結(jié)果表明本文提