基于低秩投影与稀疏表示的视觉跟踪算法研究

摘要

随着计算机和相关硬件设备的普及，单目标跟踪技术受到越来越多研究员的广泛关注。当前阶段视觉跟踪作为计算机视觉的重要组成部分，其鲁棒性一直受到目标遮挡，光照变化，目标姿态变化等因素的制约，应用领域也受到极大限制。本文在前人工作的基础上，对视觉跟踪技术做了较深入的研究与总结，通过对秩最小化理论和稀疏表示理论的研究，将上述模型应用到了目标跟踪领域，具体成果如下所示：
　　1、目标跟踪研究现状与相关理论分析。本文首先介绍了目标跟踪的研究现状，然后对秩最小化模型和稀疏表示模型进行详细分析，并介绍了每个模型的求解方法，最后分别介绍了四种经典的目标跟踪方法以及跟踪技术相关评价指标。
　　2、基于低秩投影中稀疏误差矩阵分析的视觉跟踪。本文在研究了基于稀疏表示模型的目标跟踪技术以后，提出了基于低秩投影中稀疏误差矩分析的视觉跟踪算法。算法采用鲁棒主成分分析将原始模板数据分解为低秩分量和稀疏分量，因为原始数据和低秩分量存在对应关系，可以根据低秩映射原理求得二者的映射矩阵，采集到候选目标以后将候选目标投影到映射空间，进而求得候选目标的稀疏误差矩阵，根据稀疏误差矩阵的特性可以实现对候选目标的筛选。为了克服模板漂移对跟踪的影响，采用最佳候选目标与最佳目标模板的相似度作为模板更新依据，当二者相似度高时，采用候选目标更新模板，当二者相似度低时，采用候选目标的低秩分量实现目标模板更新。在以上理论基础上，利用粒子滤波作为整体的预测框架实现本算法。通过在多个实验数据上进行实验，结果表明算法对当前阶段的视觉跟踪挑战具有较好的跟踪性能。
　　3、基于增量子空间学习和局部稀疏表示的视觉跟踪。传统的基于增量子空间模型的视觉跟踪算法存在对遮挡不鲁棒的问题，在研究稀疏表示模型以后提出了基于增量子空间模型和局部稀疏表示的视觉跟踪算法。本算法利用稀疏误差矩阵对候选目标进行遮挡检测，根据检测结果可以判断候选目标的遮挡情况，进而可以利用遮挡检测结果修正增量误差。算法决策环节采用二者的联合模型实现候选目标的筛选；模板更新环节，不同的模型采用不同的更新策略，通过以上方式在粒子滤波框架下实现目标预测。实验部分采用多组视频序列进行实验验证，并与多种经典的跟踪算法作对比，结果显示本文算法对各种视觉跟踪挑战有较好的鲁棒性。

目录

声明

第一章 绪论

1.1 课题研究背景与意义

1.2 目标跟踪国内外研究现状

1.3 目标跟踪分类

1.4 目标跟踪主要技术挑战

1.5 论文主要研究内容和结构安排

第二章 秩最小化模型和稀疏表示模型及其求解方法

2.1 鲁棒主成分分析及其求解方法

2.2 低秩表示及其求解方法

2.3 稀疏表示及其求解方法

2.4 四种经典的视觉跟踪方法以及视觉跟踪性能评价指标

2.5 本章小结

第三章 基于低秩投影中稀疏误差矩阵分析的视觉跟踪

3.1 引言

3.2 基于低秩投影中稀疏误差矩阵分析的视觉跟踪

3.3 实验及结果分析

3.4 本章小结

第四章 基于增量子空间学习和局部稀疏表示的视觉跟踪

4.1 引言

4.2 基于增量子空间学习和局部稀疏表示的视觉跟踪

4.3 实验及结果分析

4.4 本章小结

第五章 总结与展望

5.1 总结

5.2 展望

参考文献

致谢

攻读硕士学位期间的研究成果