基于稀疏表示和壓縮感知的目標檢測與跟蹤研究.pdf

1、動態(tài)場景下的目標檢測和跟蹤是計算機視覺領域的重要組成部分，在視頻監(jiān)控、航空制導、人機交互、交通監(jiān)控等民用和軍事領域上都有廣泛的應用。但在實際應用中，目標的檢測和跟蹤仍然面臨著各種困難，如光照變化、背景動態(tài)變化、目標姿勢的改變、遮擋等，因此設計魯棒的視頻目標檢測和跟蹤算法仍然是具有挑戰(zhàn)性的任務。
　　稀疏表示和壓縮感知理論是近年來比較受關注的前沿理論，其中圖像稀疏表示是研究熱點之一，在目標識別和跟蹤中都取得了較好的效果?；谙∈璞硎?/p>

2、和壓縮感知理論，本文的主要研究工作和創(chuàng)新點如下:
　　針對復雜場景下的視頻目標，提出了一種基于分層模型的的背景差分目標檢測算法。首先研究了動態(tài)組稀疏信號及其重構算法，改進實現(xiàn)自適應稀疏度的動態(tài)組稀疏重構算法，提出了基于自適應DGS的背景差分算法實現(xiàn)目標檢測。針對視頻序列中場景的動態(tài)變化，采用在線背景字典學習算法，利用前幾幀的重構背景作為訓練樣本來更新，避免了由單一或有一定噪聲的背景樣本更新背景模型而產(chǎn)生誤差。最后，針對圖像稀疏信號

3、重構算法復雜的計算量，提出分層模型目標檢測算法。實驗結果表明，該算法能夠減少計算的像素量，降低背景重構的復雜度，減少算法運行時間。
　　針對復雜背景條件下運動目標實時跟蹤問題，提出一種基于MCMC(MarkovChain Monte Carlo)采樣的壓縮感知實時目標跟蹤算法。該算法首先用隨機測量矩陣對采樣得到的樣本特征向量進行壓縮描述，并用基于MCMC的采樣方法生成粒子提議分布。其中本文改進傳統(tǒng)的MCMC采樣方法，以貝葉斯分類器