基于稀疏表示的動物目標跟蹤研究.pdf

1、目標跟蹤研究是當今人工智能和自動化控制領域的前沿方向之一。動物目標跟蹤為實現計算機對視頻中的動物檢測、自動跟蹤，進而分析動物行為、探究動物運動規(guī)律提供技術支持。同時，在野生動物保護、開放式畜牧場中具有重要應用價值。由于現有目標跟蹤技術難以應對動物過去場所復雜干擾因素，目標跟蹤過程容易出現漂移、丟失等現象，導致跟蹤失敗。在實際應用中，動物作為一種特殊的運動對象，其運動方式具有多樣性特點，所處環(huán)境復雜，缺乏專門針對動物目標的跟蹤技術。因此，

2、對動物目標跟蹤的研究具有重要意義。本文主要運用稀疏表示理論改進目標跟蹤技術，以提高動物目標跟蹤效率和結果的可靠性。主要工作概括如下:
　　(1)針對目前目標跟蹤技術存在的問題，難以準確跟蹤到動物目標，改進目標表示模型。在粒子濾波框架下，通過稀疏協同模型進行目標跟蹤。首先，判別模型將模板集分為正負模板進行訓練，從而使分類器獲取最佳分類特征;其次，以目標直方圖加權的方式，和無監(jiān)督特征學習和逐層貪婪算法的訓練，以提高生成模型相似度的計算

3、;然后，集成兩種模型實現協同模型定位目標，并由重構誤差最小確定目標;最后，采取各模塊獨立更新策略，保證協同模型及時適應目標變化。通過在公共數據集和動物數據集上對比實驗，本文方法的平均中心誤差（像素）分別為7.3、17.1，遠小于相關目標跟蹤方法，且具備良好的抗噪性和實時性。
　　(2)為提高目標跟蹤的準確性，有效利用分塊樣本信息，提出一種改進稀疏表示排名方法。首先，通過稀疏分塊表示候選目標;其次，計算稀疏系數和殘差，并提取出排名信