基于低秩投影与稀疏表示的视觉跟踪算法研究

发布时间：2022-07-13 21:12

　　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... 

【文章页数】：68 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
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
        1.3.1 生成模型法
        1.3.2 判别模型法
        1.3.3 混合模型法
    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
        1.5.1 论文主要内容
        1.5.2 论文的结构安排
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
        2.1.1 迭代阈值法
    2.2 低秩表示及其求解方法
        2.2.1 交替方向法
        2.2.2 线性交替方向法
    2.3 稀疏表示及其求解方法
        2.3.1 凸松弛法
        2.3.2 贪婪算法
    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
        2.4.1 TLD跟踪
        2.4.2 CMT跟踪
        2.4.3 L1跟踪
        2.4.4 LRST跟踪
        2.4.5 目标跟踪相关评价指标
    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
        3.2.1 鲁棒主成分分析
        3.2.2 低秩映射矩阵
        3.2.3 稀疏误差矩阵分析
        3.2.4 模板更新
        3.2.5 目标跟踪
        3.2.6 跟踪方法
    3.3 实验及结果分析
        3.3.1 定性分析
        3.3.2 定量分析
    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
        4.2.1 增量子空间学习
        4.2.2 局部稀疏表示
        4.2.3 遮挡检测
        4.2.4 相似性度量
        4.2.5 模板更新
        4.2.6 跟踪方法
    4.3 实验及结果分析
        4.3.1 定性比较
        4.3.2 中心误差分析
        4.3.3 重叠率分析
    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


【参考文献】：
期刊论文
[1]在线低秩表示的目标跟踪算法[J]. 王海军,葛红娟,张圣燕.  西安电子科技大学学报. 2016(05)
[2]基于主分量寻踪的鲁棒视觉跟踪[J]. 袁广林,薛模根.  电子学报. 2015(03)



本文编号：3660778