进的稀疏表示模型的跟踪算法研究引言稀疏表示理论稀疏表示模型构造稀疏求解算法跟踪算法研究粒子滤波框架简介运动模型质点构造观测模型模板更新算法流程实验仿真分析实验平台性能评估方法实验准备实验分析本章小结第四章基于增量子空间学习的跟踪算法研究引言算法介绍传统算法算法增量子空间学习算法概述传统算法更新子空间算法更新子空间增量算法更新子空间增量算法更新子空间遗忘因子跟踪算法研究万方数据质点构造观测模型子空间更新算法流程实验仿真分析实验准备实验分析本章小结第五章基于子空间稀疏表示模型的跟踪算法研究引言观测模型二次取样策略遮挡检测基于维子空间稀疏表示模型的跟踪算法概述算法流程基于二维子空间稀疏表示模型的跟踪算法观测模型算法概述实验仿真分析实验准备实验分析本章小结第六章总结与展望总结展望参考文献附录攻读硕士学位期间撰写的论文附录攻读硕士学位期间参加的科研项目致谢万方数据南京邮电大学硕士研究生学位论文第章绪论第章绪论研究课题的背景和意义随着信息科学技术与计算机科学技术的不断发展，计算机硬件和软件系统不断升级，人类越来越依赖计算机来认识世界和改造世界，计算机视觉已经成为工程领域和科学领域的重要研究课题之。对于采集到的图像或者视频而言，都包含有大量的视觉信息，计算机视觉就是利用计算机等相关设备获取理解以及应用这些视觉信息，从而代替人眼进行目标的识别检测跟踪分类和测量。近年来，目标跟踪技术成为了计算机视觉领域的热点研究问题之，并且越来越受到人们的关注，其主要原因是第，计算机硬件的处理速度越来越快，存储容量越来越大，而且其硬件成本也越来越低，使得利用计算机自动采集视频序列和自动视频分析成为可能第二，目标跟踪在军事工业医学以及生活等领域都有着广泛的应用前景，成为目标跟踪技术研究的源源动力。下面将介绍与目标跟踪技术相关的些具体应用智能监控系统智能监控系统，是在监控系统中加入视频分析模块，利用计算机高效处理数据的能力，对计算机捕捉到的图像信息进行实时分析处理。在几乎不需要人为干预的情况下，对视频序列中的目标进行定位识别和跟踪，并分析和判断目标行为，做到全天候自动管理，并且在出现异常时能够迅速做出反应。人机交互系统传统的人机交互系统是通过鼠标和键盘为主，完成人与计算机之间的信息交换。随着虚拟技术的不断发展，人们期待与计算机完成种更自然更自由的交流方式，这就需要计算机能够实时采集人的动作信息，并且分析和理解人的行为，并迅速完成人所要求的相应操作。视频检索系统视频检索系统突破了传统的基于文本检索的局限，以图像或者视频作为输入查询词，抽取图像视频中目标的特征和语义，返回视频流中所有包含相似目标的视频段，为用户提供从海量视频数据库中快速查询感兴趣目标的服务。智能交通系统随着经济快速的越多，跟踪时的鲁棒性就越高，实时性就下降了相反，粒子数目选取越少，跟踪时实时性就得到提升，同时跟踪的鲁棒性就下降了。有时候，为了需要，也可以对每个粒子赋予权值，用于对选取的粒子进行筛选，权值越小被筛选的可能性就越大。根据此模型，就可以推测出目标在当前帧的可能状态。本章小结本章主要介绍了粒子滤波框架下目标跟踪系统的些基本组成部分，包括目标初始化输入视频图像目标外观模型目标运动模型目标观测模型目标定位目标模板更新模型，并详细介绍了其中比较重要的两部分目标外观模型和目标运动模型。万方数据南京邮电大学硕士研究生学位论文第三章基于改进的稀疏表示模型的跟踪算法研究第三章基于改进的稀疏表示模型的跟踪算法研究引言稀疏表示思想被等人首先引入到了目标跟踪领域，取得了不错的跟踪效果。此算法的核心就是在粒子滤波框架体系下，将跟踪目标由系列目标模板和琐碎模板共同稀疏线性表示，并通过最小化求解线性表示的系数，当前帧的候选粒子中具有最小重构误差的粒子即为当前帧的目标粒子。但是，此算法主要有两个缺点第，通过最小化迭代求解线性系数，计算量非常的大，导致此算法的跟踪效率不是很理想第二，此算法的跟踪目标的窗口的大小和形状从始至终都不变，因此，当跟踪目标的形状发生变化时，跟踪窗口不能随着跟踪目标本身形状自适应变化。为了解决第个问题，我们重新构造了个范数模型，此模型的迭代求解算法的时间复杂度较低，从而有效地提高了跟踪的速度。为了解决第二个问题，我们对粒子滤波框架中的运动模型作了点改进，在此模型中我们引入了粒子的多个状态参数，从而使得目标跟踪窗口能够随跟踪目标自适应尺寸变化和自适应旋转变化。稀疏表示理论稀疏表示模型构造已知线性回归模型表示形式为其中，表示维观测向量，表示维系数向量，表示输入数据矩阵，表示维噪声误差项。假设，系数向量可以由后验概率的极大值获得，也可以等价于由联合概率，的极大值获得，即最大似然估计根据概率密度函数，参数通常描述概率分布的特征，误差项通常假定万方数据南京邮电大学硕士研究生学位论文第三章基于改进的稀疏表示模型的跟踪算法研究为独立同分布，，。因此，似然估计量为构造目标函数，其中，求最大似然估计量即求目标函数，的极小值。如果误差项遵循高斯分布，则最大似然估计量等价于传统最小二乘的解，即上述方程的解为解法非常简单，但对于异常值非常敏感。如果误差项遵循拉普拉斯分布，则最大似然估计量等价于最小绝对偏差的解，即与方法相比，方法对异常值不敏感，但是方法的解法非常麻烦。本文中，将综合方法和方法各自的优缺点，来构造误差项，将误差项由两个独立的部分相构成高斯噪声向量和拉普拉斯向量，即其中，高斯噪声向量模拟密集噪声，拉普拉斯向量处理异常值，这两部分相结合又称高斯拉普拉斯分布。其联合概率分布函数为联合概率密度函数由卷积获得，即万方数据南京邮电大学硕士研究生学位论文第三章基于改进的稀疏表示模型的跟踪算法研究其中，与高斯分布和拉普拉斯分布相比，高斯拉普拉斯分布比较复杂，因此直接获得其简单目标函数比较困难。将拉普拉斯向量设为缺省值，就可以用联合概率来代替公式，即其中，由此，构造目标函数如下，则构造最优化问题为，以上便为论文中稀疏表示模型构造的基本原理。稀疏求解算法由公式可以看到此目标函数是基于基本的最小二乘准则和正则项。以目前的知识而言，没有直接的封闭式解法来求解该最优化问题，采取了种迭代算法来进行求解。为了理解该算法，首先介绍两个定理定理已知向量，则向量的最优解为定理已知向量，则向量的最优解为其中，万方数据南京邮电大学硕士研究生学位论文第三章基于改进的稀疏表示模型的跟踪算法研究，已知根据定理和定理，公式的最优化问题可以有效地解决。当达到迭代结束条件时，迭代操作将会终止。由于此算法由两部分组成传统最小二乘法和软阈值操作，故可以将此算法称为最小软阈值二乘法，简称算法。已知目标向量，输入数据矩阵，由公式计算得到的矩阵以及常量，则算法如下初始化，迭代直至满足收敛条件显然，可以得到，这里说明下算法迭代结束的收敛条件为其中，这里取值为。因此，文中对于公式的最优化问题的迭代算法，逐渐收敛于局部最小值，如果目标函数为凸函数，则就能获得全局最小解。跟踪算法研究粒子滤波框架简介粒子滤波技术是基于连续时间贝叶斯重要性采样，用于估计个动态系统状态变量的后验概率分布。目标跟踪的问题可以描述为隐含马尔科夫模型下的个预测任务。状态变量描述了目标在时刻的仿射运动参数，已知观测图像集，，就可以通过贝叶斯万方数据南京邮电大学硕士研究生学位论文第三章基于改进的稀疏表示模型的跟踪算法研究理论估计隐含状态变量的观测值，其公式如下由公式可知，跟踪过程主要由两部分所控制观测模型和运动模型，其中观测模型用来估计状态变量的可能性，即目标状态与目标观测值之间的相关程度。运动模型表示时刻的目标状态与时刻的目标状态之间的转换关系，即由时刻的目标状态估计时刻的目标的可能状态。在粒子滤波框架下，目标跟踪的般算法流程如下时刻，初始化目标状态到表示视频帧数根据运动模型，获得个候选粒子到根据观测模型，计算每个粒子的观测值根据观测值获取最优粒子，并以该粒子状态作为新的目标状态对于运动模型和观测模型具体的构造方法，将在下节改进的算法中详细介绍。运动模型在帧视频图像中，跟踪目标可以由个矩形跟踪框来表示，跟踪目标的位置可以通过仿射运动参数来表示，跟踪目标的位置信息即为当前帧目标的状态。本文中，时刻的目标状态由个仿射运动参数组成，即，其中，表示目标中心点方向的位移，表示目标中心点方向的位移，表示目标旋转角度，表示目标仿射投影比例，表示跟踪框宽高比，表示跟踪框斜切度。为了设计个有效的跟踪系统的运动模型，可以将状态空间之间的运动转换通过布朗运动来模拟。状态变量中的每个放射运动参数之间都是相互独立的，并且每个参数都是基于上帧状态变量对应参数呈高斯分布。因此相邻帧之间的运动模型可以表示为万方数据万方数据万方数据万方数据摘要近年来，目标跟踪技术在国内外得到了广泛而深入的研究和发展，并且在很多领域都具有广泛的应用前景。目前，目标跟踪还面临许多困难和挑战，包括目标形状变化背景干扰光照变化遮挡问题等，并且需要同时满足跟踪过程的准确性和实时性的要求。般而言，个基于粒子滤波框架的视频目标跟踪系统由以下各部分组成目标初始化输入视频图像目标外观模型目标运动模型目标观测模型目标定位和目标模板更新模型。本文所研究的目标跟踪算法，都是建立在粒子滤波框架的体系下，主要工作如下研究了种基于改进的稀疏表示模型的跟踪算法，该模型的优势在于能够快速地进行迭代求解，提高跟踪的速度。在此基础上，改进目标运动模型，引入跟踪目标的多个位置状态参数，从而实现目标在尺寸变化和旋转变化下的有效跟踪。文中详细介绍了该算法的