基于稀疏表示的目標檢測與跟蹤方法研究.pdf

1、在目標檢測與跟蹤過程中,往往會出現(xiàn)外界環(huán)境的干擾以及目標自身變化等情況,這大大增加了檢測與跟蹤的難度,降低了算法的性能。本文在對目標檢測與跟蹤技術(shù)國內(nèi)外研究現(xiàn)狀進行深入探討的基礎(chǔ)上,研究稀疏表示理論,并將其應(yīng)用于遮擋情況下的目標檢測中,并進一步提出一種基于魯棒稀疏表示模型的目標跟蹤方法。全文主要內(nèi)容如下:
　　1、探討了圖像稀疏表示方法,闡述了稀疏表示的凸優(yōu)化求解算法,討論了稀疏表示在目標檢測與跟蹤中的應(yīng)用,為后續(xù)的研究做理論準備

2、。
　　2、針對遮擋等干擾情況下人臉圖像檢測困難的問題,提出一種基于稀疏表示的遮擋人臉檢測算法。首先將測試樣本由訓(xùn)練樣本與干擾樣本組成的字典進行稀疏線性表示,并且使用K-SVD方法訓(xùn)練字典,使得在嚴格的稀疏度約束下仍可以獲取樣本在過完備字典下的稀疏表示,然后使用稀疏系數(shù)集中度進行人臉與非人臉圖像的判別,且可使用編碼殘差進一步識別人臉圖像,最后采用隨機投影的方法對測試樣本進行降維,減少檢測過程中的計算量。
　　3、針對稀疏編碼

3、的重構(gòu)精度不高的問題,提出了一種改進的稀疏編碼模型。首先模型無需重構(gòu)誤差滿足特定的先驗概率分布,且加入對編碼系數(shù)的自適應(yīng)約束,使模型求取編碼的極大似然估計解,對干擾更加魯棒,可以取得更優(yōu)的跟蹤效果;其次,使用改進的目標模板更新方法,將受干擾較大樣本排除在目標模板庫之外,使當前的目標模板能夠更好地描述最新的目標狀態(tài),最后,將其應(yīng)用于粒子濾波框架下實現(xiàn)對目標的跟蹤。
　　4、選取若干遮擋人臉圖像和具有代表性的跟蹤視頻,使用本文的改進算