基于稀疏表达的视频目标跟踪算法,本论文可用于稀疏论文范文参考下载，稀疏相关论文写作参考研究。
稀疏论文参考文献：
【 摘 要 】 论文主要描述了视频目标跟踪的常用特征及适用场景,概括了稀疏表达方法结合视频目标跟踪的基本框架和原理,结合目标跟踪的分类,梳理了将稀疏表达引入到视频目标跟踪领域以来一些里程碑式的方法,给出了常用的评价方法,并提出未来在该领域可能的研究趋势.
【 关键词 】 稀疏表达；目标跟踪；生成式和判别式；多特征融合
Research about Video Object Tracking Based on Sparse Representation
Xu Zhao-jian
（College of Electrronics and Information Engineering, Tongji University Shanghai 201804）
【 Abstract 】 This paper mainly introduces representative features and applicable scene in the video object tracking, and outlines the basic framework and principles of object trackingcombining sparse representation approach. According to the classification of object tracking, the paper reviews the milestone methods since the sparse presentation has been applied in the object tracking. The Paper finallytalks about the typical evaluation method and give the research trend in this field in the future.
【 Keywords 】 sparse representation； object tracking； generativemethod and discriminativemethods； multiple features fusion
1 引言
视频目标跟踪是计算机视觉领域重要的研究课题,通过智能化方法监控视频序列的变化,可以监测目标的运动状态,有利于进行自动分析和异常行为检测等,为后续提供决策支持,因此被广泛的应用于其他领域.在军事领域,视频目标跟踪技术的研究主要集中在导弹制导、武器观测、飞行器控制等方面,可对移动目标进行快速定位和跟踪.在交通系统中,利用视频目标跟踪技术,可以实时监测车流量、车速、违规车辆等交通状况,有利于及时发现异常交通警情并实时调度.随着虚拟现实和增强现实技术的快速发展,视频目标跟踪技术在人机交互领域的应用日益增多,利用目标跟踪分析人的姿态动作、手势、面部表情,通过识别人的行为来控制交互设备进行趣味互动,已取得了一定的发展,并且具有广阔的商业前景.视频目标跟踪具有较高的理论意义和应用价值.
2 目标跟踪常用特征
视频目标跟踪首先提取目标的某些辨别性高的特征,利用这些特征对运动目标进行表达,根据目标的运动规律,对接下来每帧图像中的目标特征数据进行对比分析,获得每一帧中运动目标的范围.图像特征有很多,按照何种特征来表达图像是目标跟踪中最重要的一环,从图像基本特征的角度可以分为颜色特征、纹理特征、形状特征和空间关系特征四类,各类特征的优缺点对比如表1所示.
从图像特征降维的角度,还可以将图像特征分成表2中的几类.
3 视频目标跟踪的难点
在视频跟踪过程中,有很多因素影响了跟踪的准确性,当运动目标在跟踪过程中发生尺度、外观和姿势变化时,跟踪算法要能很好的识别跟踪目标.有时视频背景比较嘈杂,背景部分和目标部分区域差别较小,目标特征不明显,很容易发生目标丢失或跟踪错误,此外环境中的光照变化,也将对目标跟踪产生一定影响.通常将影响跟踪结果的因素分为三类,如表3所示.
4 基于稀疏表示的视频目标跟踪现状
4.1 最初的框架
视频目标跟踪研究已经有几十年的历史,2009年薛梅第一次将稀疏编码引用到视频目标跟踪上来使得视频目标跟踪的准确程度有了大幅的提升.本文的算法步骤如图1所示.
首先在初始帧中选定目标位置,并在目标周围进行一个像素的扰动形成多个模板T等于[t1...tn],根据高斯函数生成候选粒子,每一个粒子的跟踪结果y可表示成目标模板的线性分布y≈Ta等于a1t1+a2t2+...+antn,其中（a1,a2,...,an）T∈?n是目标模板的系数向量.由于跟踪过程中的噪音或遮挡引起的误差,引入一个误差向量来更精确的表达等式y等于Ta+ε,在对ε的表示上,作者使用了琐碎模板,即每一个模板是只有一个非零元素的单位矩阵,非零元素表示在该像素元素被遮挡或发生碰撞.表达式为y等于[T,I]a
eTa+Ie,琐碎模板包含正负琐碎模板,因此上述公式可展开表达为y等于[T,I,-I]a
e+
e-?Bc,s.t.c≥0.候选目标在字典中的系数是稀疏的,因此通过e1范式求解系数最稀疏同时重构误差最小的目标min || Bc-y || +λ|| c ||1作为跟踪结果.根据每个粒子和原始模板之间的误差来更新粒子的权重,重采样得到下一帧中新的候选粒子.最后对初始的目标模板进行更新,在满足一定条件时替换掉原来贡献最小的模板.
L1与传统方法相比大大的提升了视频目标的跟踪精度,引来了视频目标跟踪领域的一个小高峰,然而L1也存在一些不足,最初求解L1范数最小化是建立在模板稀疏的条件下,当候选样本为背景区域或者发生遮挡时,用来表示候选样本的单位模板系数不再为零,不满足稀疏条件.由于候选的粒子数较多,需要进行L1范数最小化的计算次数较多影响了算法的时效性.
结论：关于稀疏方面的的相关大学硕士和相关本科毕业论文以及相关稀疏论文开题报告范文和职称论文写作参考文献资料下载。
基于多目标PSO算法的风光互补发电系统优化
摘 要：风光互补发电系统在资源利用上具有很强的互补性，相对于单独的光伏或风能发电，合理的优化配置可大大提高系统供电可靠性，减少运行成本。研究风光。
水下制导多目标跟踪关键技术
摘 要：随着军事现代化技术的不断发展和进步，对海军作战的要求越来越高，尤其是水下作战，但是水下作战的环境变得越来越复杂，传统意义的水下制导系统已。
基于目标跟踪识别的ISAR干扰效果评估
摘要：为了将设备级别的技术评估指标集成到宏观防御系统评估中．根据IsAR系统跟踪与成像之间的关系，提出基于目标识别的IsAR干扰效果评估方法。随。
监控视频中运动目标的自动检测、跟踪和提取
摘 要：为了能够从监控视频中快速准确地分析运动目标，文章提出了一种新的运动目标自动检测、跟踪和提取方法。首先通过混合高斯模型背景差分法获得运动目。