基于稀疏表示的動物目標跟蹤研究.pdf

1、目標跟蹤研究是當今人工智能和自動化控制領(lǐng)域的前沿方向之一。動物目標跟蹤為實現(xiàn)計算機對視頻中的動物檢測、自動跟蹤，進而分析動物行為、探究動物運動規(guī)律提供技術(shù)支持。同時，在野生動物保護、開放式畜牧場中具有重要應(yīng)用價值。由于現(xiàn)有目標跟蹤技術(shù)難以應(yīng)對動物過去場所復雜干擾因素，目標跟蹤過程容易出現(xiàn)漂移、丟失等現(xiàn)象，導致跟蹤失敗。在實際應(yīng)用中，動物作為一種特殊的運動對象，其運動方式具有多樣性特點，所處環(huán)境復雜，缺乏專門針對動物目標的跟蹤技術(shù)。因此，

2、對動物目標跟蹤的研究具有重要意義。本文主要運用稀疏表示理論改進目標跟蹤技術(shù)，以提高動物目標跟蹤效率和結(jié)果的可靠性。主要工作概括如下:
　　(1)針對目前目標跟蹤技術(shù)存在的問題，難以準確跟蹤到動物目標，改進目標表示模型。在粒子濾波框架下，通過稀疏協(xié)同模型進行目標跟蹤。首先，判別模型將模板集分為正負模板進行訓練，從而使分類器獲取最佳分類特征;其次，以目標直方圖加權(quán)的方式，和無監(jiān)督特征學習和逐層貪婪算法的訓練，以提高生成模型相似度的計算

3、;然后，集成兩種模型實現(xiàn)協(xié)同模型定位目標，并由重構(gòu)誤差最小確定目標;最后，采取各模塊獨立更新策略，保證協(xié)同模型及時適應(yīng)目標變化。通過在公共數(shù)據(jù)集和動物數(shù)據(jù)集上對比實驗，本文方法的平均中心誤差（像素）分別為7.3、17.1，遠小于相關(guān)目標跟蹤方法，且具備良好的抗噪性和實時性。
　　(2)為提高目標跟蹤的準確性，有效利用分塊樣本信息，提出一種改進稀疏表示排名方法。首先，通過稀疏分塊表示候選目標;其次，計算稀疏系數(shù)和殘差，并提取出排名信