基于低秩稀疏表示的目標(biāo)跟蹤算法研究.pdf

1、雖然在不少研究者們的深入研究下，視頻目標(biāo)跟蹤算法在過去的幾十年里有了很大進展，但是復(fù)雜場景中存在的遮擋、光照變化、目標(biāo)形變及動態(tài)背景噪聲等因素引起的目標(biāo)外觀變化，使得設(shè)計一個高精確性、穩(wěn)定性和魯棒性的跟蹤算法仍然是一個富有挑戰(zhàn)性的任務(wù)。本文在現(xiàn)有目標(biāo)跟蹤算法的基礎(chǔ)上提出了兩種基于低秩稀疏表示的目標(biāo)跟蹤算法。
　　本文首先在生成模型的框架下引入了低秩稀疏表示模型，提出了基于主成分分析基向量模板和平方模板的低秩稀疏表示模型。該模型充分

2、利用了主成分分析基向量模板和平方模板用于構(gòu)建目標(biāo)外觀模型字典矩陣的優(yōu)勢，而且低秩約束很好地反映了候選粒子的結(jié)構(gòu)信息。由于不同質(zhì)量的目標(biāo)跟蹤結(jié)果對子空間的構(gòu)造和更新具有不同的影響，故對每一個跟蹤結(jié)果引入了一個基于目標(biāo)重構(gòu)誤差的權(quán)重值，再將該新樣本用于增量主成分分析算法來更新目標(biāo)表示模型。最終得到了一個基于低秩稀疏表示的加權(quán)增量目標(biāo)跟蹤算法(LRSWT)。
　　本文還提出了一個基于聯(lián)合系數(shù)矩陣的低秩稀疏表示目標(biāo)跟蹤算法(JCLRST)

3、，該算法提出了一個新的基于聯(lián)合系數(shù)矩陣的低秩稀疏目標(biāo)表示模型，它在進行多任務(wù)處理時將目標(biāo)低秩稀疏表示的系數(shù)矩陣分為了兩個部分之和，一個部分用于對具有相關(guān)性的任務(wù)進行表示，另一個部分用于表示多任務(wù)中的離群值。且對前一部分系數(shù)矩陣同時加以低秩和稀疏約束進行學(xué)習(xí)，而對后一部分僅加以稀疏約束進行學(xué)習(xí)。最后將該目標(biāo)表示模型嵌入到粒子濾波框架中，獲得了一個新的目標(biāo)跟蹤算法。并且就粒子濾波中存在的粒子退化問題，對每一幀中的所有候選粒子進行重采樣，與以