基于特征提取的改進型壓縮跟蹤算法的研究與實現(xiàn).pdf

1、隨著社會發(fā)展，科技進步，信息時代的關鍵字——大數(shù)據(jù)、云計算在各個領域隨處可見，鋪天蓋地而來的數(shù)據(jù)給人們的生產(chǎn)生活帶來方便的同時也會制造一些麻煩。眾所周知，視頻監(jiān)控由于它的不間斷性以及自主性不高，產(chǎn)生的海量數(shù)據(jù)在存儲、運輸還有處理等方面都會極大地增加工作人員的負擔。
　　為了提高視頻目標跟蹤的性能，一方面是需要提高跟蹤算法的性能，另一方面則是運用處理好視頻流數(shù)據(jù)。面對海量數(shù)據(jù)的處理，信息論的基礎理論——奈奎斯特準則一直限制著整體處理

2、效率的提高。但是一種新的理論——壓縮感知理論可以跨越奈奎斯特準則的限制溝壑，它可以先直接對信號進行采集，然后經(jīng)過凸優(yōu)化或者其他重構算法恢復信號。壓縮感知理論優(yōu)點就是它的采樣頻率極低，遠遠低于奈奎斯特準則限定的采樣頻率，而且目前也有相應的圖形處理器來應對大數(shù)據(jù)運算量的問題。視頻目標跟蹤的算法日新月異，各學科交融更加促進其效率的提升。近幾年，基于模型的運動目標跟蹤算法的發(fā)展尤為迅速，由基于檢測的跟蹤算法 （Tracking-by-Detec

3、ting,TD）衍生出來TLD算法、CSK算法、KCF算法、PROST算法還有性能格外優(yōu)異的Struck算法?；诰植康母櫵惴ㄈ绺倪M的光流跟蹤算法、超像素跟蹤算法在處理運動目標發(fā)生漂移的問題上有著獨特的優(yōu)勢?？蒲谐晒疃啵覍W科交匯最多的是基于特征提取的目標跟蹤算法，將性能互補的算法或特征（如SIFT、LBP等等）糅合到一起，整體提升算法的效率這種做法一直受到業(yè)內(nèi)人士的提倡和追捧。將壓縮感知運用到視頻目標跟蹤算法一方面能夠提高算法對

4、運動目標發(fā)生漂移、遮擋時的處理能力，同時還能有機結合其他特征提取技術的優(yōu)點，整合提升算法的性能。
　　基于特征提取的改進型壓縮跟蹤算法的核心是一方面改進了壓縮感知理論中的分類器的學習因子的更新策略，提高了整個算法的實時性；另一方面在進行特征提取的過程中改進了SIFT的處理領域，精簡了最后生成的SIFT算子的維度，從原算法的128維降低到40維，較大地減輕了計算復雜度。
　　實驗結果表明，在處理運動目標發(fā)生尺度變化、旋轉、遮擋