基于稀疏表示模型的目标跟踪算法
近年来，目标跟踪技术在国内外得到了广泛而深入的研究和发展，并且在很多领域都具有广泛的应用前景。目前，目标跟踪还面临许多困难和挑战，包括目标形状变化、背景干扰、光照变化、遮挡问题等，并且需要同时满足跟踪过程的准确性和实时性的要求。一般而言，一个基于粒子滤波框架的视频目标跟踪系统由以下各部分组成：目标初始化、输入视频图像、目标外观模型、目标运动模型、目标观测模型、目标定位和目标模板更新模型。本文所研究的目标跟踪算法，都是建立在粒子滤波框架的体系下，主要工作如下： （1）研究了一种基于改进的稀疏表示模型的跟踪算法，该模型的优势在于能够快速地进行迭代求解，提高跟踪的速度。在此基础上，改进目标运动模型，引入跟踪目标的多个位置状态参数，从而实现目标在尺寸变化和旋转变化下的有效跟踪。文中详细介绍了该算法的各个组成部分，包括运动模型、质点构造、观测模型、模板更新等，实验验证了该算法的有效性。 （2）研究了一种基于增量2D子空间学习的跟踪算法，该算法直接提取出目标的二维图像，并且将每一帧视频中提取出的目标加入到二维图像训练集中，通过增量2D-PCA算法更新子空间，得到图像训练集的均值、特征值以及行投影特征向量和列投影特征向量。依据学习得到的行、列投影特征向量就可以有效地表示目标外观。实验验证了该算法的有效性，但在严重遮挡的情况下，此算法存在着严重的缺陷。 （3）研究了一种基于子空间稀疏表示模型的跟踪算法，分别实现了将增量一维子空间学习和稀疏表示模型相结合以及将增量二维子空间学习和稀疏表示模型相结合。算法融入了二次取样策略，对高斯随机取样采集到的粒子进行有效过滤，一定程度上提高跟踪速度。在模板更新模型中，加入了遮挡检测方法，在将目标图像加入到图像训练集之前先进行遮挡检测判断。实验验证了这两种算法的有效性。
目标跟踪;稀疏表示;粒子滤波;运动模型;2D子空间学习
南京邮电大学
硕士
模式识别与智能系统
王保云
2014
中文
TP391.41
68
2015-07-01（万方平台首次上网日期，不代表论文的发表时间）