基于特征加权的快速压缩感知目标跟踪算法研究

摘要

目标跟踪具备重要的科研价值，且被普遍应用于视频监控、智能交通等之中，近年来一直都是机器视觉研究当中的热点问题。针对目标跟踪问题，当下已提出众多研究算法。虽然这些跟踪算法具有一定的鲁棒性，但由于被跟踪目标外观在跟踪过程中易因受到光照、遮挡等外界因素的影响发生变化，使得视觉目标跟踪仍然是一个难点问题。压缩感知理论作为信号领域的研究热点，因其具有简单、高效、实时等优点，在跟踪领域也获得了广泛使用。由研究证明，通过压缩感知技术获取的低维压缩信号可基本保留原信号的全部特性，从而可在保证计算精度的前提下大幅提高运算效率。利用压缩感知理论设计的跟踪算法能够获取快速、鲁棒的跟踪结果。但此类算法在获取图片的多尺度表示，生成目标高维特征时，未考虑随着滤波器尺寸的增大，由滤波产生的有效特征逐渐减少。同时算法在度量目标与候选样本之间的相似性时，仅将每个弱分类器分类结果进行简单叠加，处理策略过于单一。当目标因受到光照、遮挡等外界因素的影响外观发生变化时，易降低跟踪精度使得结果出现偏差。
　　本文针对上述问题，提出特征加权的快速压缩感知目标跟踪算法，通过生成准确的高维特征及更加高效的相似性度量机制来获取跟踪，具体工作如下：
　　（1）研究学习压缩感知理论，深入了解信号稀疏表示理论、设计观测矩阵的方法和其常用分类、重构信号算法以及压缩感知降维等。实验论证压缩跟踪算法的有效性，发现此类压缩跟踪算法中存在的不足并进行分析与解决；
　　（2）依据滤波器尺寸提出自适应加权策略来提取样本的多尺度特征，进而生成高维特征描述。该方法能够解决随着滤波器尺寸的增大，导致获取到的样本有效特征逐渐减少的问题，确保跟踪使用特征的准确性；
　　（3）兼顾考虑每个弱分类器的叠加和与候选样本各维压缩特征被分类为目标压缩特征的可能性，提出了高效的相似性度量机制。该方法解决了之前衡量样本与目标相似性方式单一的问题。
　　本文与当下现有的此类压缩跟踪算法在多个测试视频序列中进行对比，结果可知，本文所提算法具有更优的跟踪性能。

目录

声明

1 绪 论

1.1目标跟踪研究背景及意义

1.2 研究现状

1.3 本文主要工作

1.4 论文的组织结构

2 压缩感知理论及压缩跟踪

2.1 压缩感知理论简介

2.2信号的稀疏表示

2.3 观测矩阵的设计与分类

2.4 信号重构

2.5压缩感知跟踪

2.6 本章小结

3特征加权的压缩感知跟踪

3.1 本文的跟踪流程

3.2 自适应加权提取特征

3.3 相似性度量机制

3.4 算法流程

3.5 本章小结

4 实验结果分析与对比

4.1 实验环境及数据集选取

4.2定性对比分析

4.3 定量对比分析

4.4 本章小结

5 总结与展望

5.1 工作总结

5.2 未来展望

参考文献

致谢

个人简介