基于稀疏表示的目标跟踪方法

合集下载

视觉与听觉传感器信息的融合处理

视觉与听觉传感器信息的融合处理一、引言在现实生活中，视觉和听觉是人类最主要的感知方式。

视觉和听觉信息的融合处理，可以增强和拓展对环境的感知能力，并提高生物体的适应性。

因此，基于视觉和听觉传感器的信息融合处理已成为研究的热点之一，同时在实际应用中有着很大的发挥价值。

二、视觉传感器信息处理技术视觉传感器广泛应用于机器视觉、智能控制以及环境监测等领域。

视觉传感器的信息处理包括图像捕获、图像预处理、特征提取、目标跟踪和对象识别等环节。

（一）图像捕获图像捕获是视觉传感器信息处理的第一步，是将环境中的物体信息转换为数字化图像数据，以便进行后续处理。

由于图像捕获涉及图像分辨率、色彩空间等问题，因此在选择及使用视觉传感器时应考虑相关参数的优缺点以满足目标应用的需求。

（二）图像预处理图像预处理是指在图像捕获之后对图像进行的相关操作，主要包括去噪、滤波、调整对比度等。

图像预处理是在保持原始图像信息的基础上，通过降低噪声、强化特征等处理，提高后续处理的效果和准确性。

（三）特征提取特征提取是指从图像中提取出有意义的、可用于后续处理的信息，例如边缘、纹理、颜色等特征。

由于图像的特征因应用场景不同而异，因此存在多种特征提取算法，例如sift、surf、hog、LBP等。

（四）目标跟踪目标跟踪是指在连续帧的图像中识别和跟踪特定目标的轨迹。

常见的目标跟踪算法有卡尔曼滤波、粒子滤波、稀疏表示等，通过保持目标在一定范围内的运动状态，可以提高目标检测和识别的准确性。

（五）对象识别对象识别是指在图像中寻找与目标相符的元素，并将其分类为特定类别。

对象识别算法涵盖从低层次的形状、颜色信息到高层次的语义信息等多个层次。

同时，它也可以以不同形式展现，例如基于模板匹配的对象识别、基于神经网络的深度学习等。

三、听觉传感器信息处理技术听觉传感器广泛应用于自动语音识别、噪音检测和信号处理等领域。

听觉传感器的信息处理主要包括语音信号提取、语音分析、特征提取、声纹识别等环节。

利用稀疏编码进行视频目标跟踪的算法研究

利用稀疏编码进行视频目标跟踪的算法研究随着计算机视觉技术的不断发展，视频目标跟踪逐渐成为一个热门的研究领域。

在实际应用中，准确地追踪视频中的目标对于许多任务至关重要，如智能监控、自动驾驶等。

然而，由于视频中目标的运动、光照变化等因素的影响，目标跟踪仍然面临许多挑战。

在目标跟踪中，稀疏编码是一种常用的方法。

稀疏编码是一种信号处理技术，通过将信号表示为一组基的线性组合来实现。

在视频目标跟踪中，将目标表示为一组基的线性组合，并通过稀疏编码的方法来获得目标的稀疏表示，从而实现目标的跟踪。

稀疏编码的核心思想是，信号可以通过少量的基来表示。

在视频目标跟踪中，可以将目标表示为一组基的线性组合，其中基是预先学习得到的。

通过将目标表示为稀疏向量，可以减少目标跟踪过程中的冗余信息，提高跟踪的准确性和效率。

在实际应用中，稀疏编码的方法可以分为两个阶段：在线学习和目标跟踪。

在线学习阶段是指通过观察视频序列中的目标来学习目标的表示。

在这个阶段，可以使用稀疏编码算法来获得目标的稀疏表示。

目标跟踪阶段是指根据目标的稀疏表示来进行目标的跟踪。

在这个阶段，可以使用稀疏编码算法来计算目标在当前帧中的稀疏表示，并根据稀疏表示来更新目标的位置。

稀疏编码的方法在视频目标跟踪中具有许多优点。

首先，稀疏编码可以减少目标跟踪过程中的冗余信息，提高跟踪的准确性和效率。

其次，稀疏编码可以适应目标的变化，如光照变化、目标形状变化等，从而提高跟踪的鲁棒性。

此外，稀疏编码的方法还可以结合其他技术，如深度学习、卷积神经网络等，进一步提高目标跟踪的性能。

然而，稀疏编码的方法在视频目标跟踪中仍然存在一些挑战。

首先，稀疏编码的计算复杂度较高，需要大量的计算资源。

其次，稀疏编码的方法对于目标的表示能力有一定的限制，无法很好地处理目标的复杂变化。

此外，稀疏编码的方法对于噪声和干扰较为敏感，容易受到外界环境的干扰。

为了解决这些挑战，研究人员提出了许多改进的稀疏编码算法。

视频监控中多视角目标智能定位追踪方法研究

视频监控中多视角目标智能定位追踪方法研究杜丽娟;路晓亚【摘要】在视频监控中对目标进行定位追踪时,容易出现遮挡情况.当前定位追踪方法需预先检测出遮挡状况,再对目标位置进行校正,计算量大,且追踪结果不可靠.为此,提出一种新的视频监控中多视角目标智能定位追踪方法,针对每个摄像头采集到的图像,对其进行二值化处理,通过稀疏表示方法对目标进行定位.构建了视频监控中多视角目标跟踪的概率框架,针对每个智能摄像机,建立视频监控中多视角目标追踪模型.通过不同视角中的视频数据求出本地似然函数.为了避免维度灾难问题,对联合后验概率进行分解获取边缘概率乘积的形式,通过边缘概率求出被追踪目标在摄像机视角下的位置.依据消息传递机制实现信息融合,达到目标追踪的目的.实验结果表明,所提方法有很高的定位和追踪精度.%Fixing the target tracking in video surveillance,prone to condition,current location tracking method to detect the shade conditions in advance,and correction of target location,large amount of calculation,and tracking the result is not reliable.For this,a new kind of video monitoring target smart positioning tracking method was put forward,multiple points of view for each image obtained by camera,binarization processing,through sparse representation method to locate the target.Build the probability of the perspectives of target tracking in video monitoring framework,for each smart camera,perspectives of target tracking in video monitoring model is established,through the different angle of view and the local likelihood function of video data.In order to avoid the problem of dimension disaster,joint posterior probability decomposition to obtain edge probability of productform,through the edge probability and track targets in the position of the camera perspective.Based on message passing mechanism to realize information integration and achieve the goal of target tracking.The experimental results show that the proposed method has a high positioning and tracking accuracy.【期刊名称】《科学技术与工程》【年(卷),期】2017(017)016【总页数】5页(P270-274)【关键词】视频监控;多视角;目标;定位;追踪【作者】杜丽娟;路晓亚【作者单位】商丘工学院信息与电子工程学院,商丘 476000;商丘工学院信息与电子工程学院,商丘 476000【正文语种】中文【中图分类】TP391.41目前，视频监控技术的逐渐发展，被广泛应用于交通管理、居民区安防、商铺与银行监控、机场监控等安防领域，人们对视频监控技术的要求越来越高[1—3]。

基于稀疏表示模型的红外目标跟踪算法

Ｃｈｎ；３ＩｓｔｔｆｔｅＴｉｃｄｍｙＣｈｎｒｓａｅＳｉｎｅａｄＩｄｓｏｐｒｔｎＢｉｎ００４Ｃｈｎ）ｉａ．ｎｔｕｅｏｈｒＡａｅ，ｉａＡｅｏｐｃｃｅｃｎｕｔＣｒｏａｏ，ｅｉｇ１０７，ｉａｉｈｄｎｙｒｉｊ
（．ＩｓｉｔｏｍａｅＰｏｅｓｇａｄＰｔｒｅｏｎｔｎｈｎｈｉｉｔｎｉｅｓｙＳａｇａ２０４，ｈｎ；．Ｋｙ１ｎｔｕｅｆＩｇｒｃｓｉｎａｅｎＲｃｇｉｏ，ＳａｇａａｏｇＵｎｖｒｉ，ｈｈｉ０２０Ｃｉａ２ｔｎｔｉＪｏｔｎｅ
Ｉｆａｅａｇｔｔａｋｉｇａｇｒｔａｅｎｓｒｅｎｒｒｄｔｒｅｒｃｎｌｏｉｈｍｂｓｄｏｐａｓｒｐｒｓｎａｉｎｍｏｅｅｅｅｔｔ０ｄｌ
Ｔｎｈｎｙａ，ｈｏＪｊＹｎｉＬｕＥｑ。Ｚｏｅ＇ａｇＺｅｇｕｎ一Ｚａｉｉ一ａｇＪ，ｉｒｉｈｕＹｕａａ，ｅ，
来完成对超完备字典中目标子空间的更新，其不断地适应背景杂波、照等各类因素引起的目标外使光观变化。实验结果表明所提出的算法是稳健和有效的。
关键词：红外目标跟踪；稀疏表示；在线学习
中图分类号：Ｔ３１４Ｐ９．文献标志码：Ａ文章编号：１０ — ２６２１）５１８ — ７０７２７（０２０ — ３９０

结构稀疏表示分类目标跟踪算法

结构稀疏表示分类目标跟踪算法侯跃恩;李伟光【期刊名称】《计算机科学与探索》【年(卷),期】2016(010)007【摘要】为提高目标跟踪算法在复杂条件下的鲁棒性和准确性，研究了一种基于贝叶斯分类的结构稀疏表示目标跟踪算法。

首先通过首帧图像获得含有目标与背景模板的稀疏字典和正负样本；然后采用结构稀疏表示的思想对样本进行线性重构，获得其稀疏系数；进而设计一款贝叶斯分类器，分类器通过正负样本的稀疏系数进行训练，并对每个候选目标进行分类，获得其相似度信息；最后采用稀疏表示与增量学习结合的方法对稀疏字典进行更新。

将该算法与其他4种先进算法在6组测试视频中进行比较，实验证明了该算法具有更好的性能。

%In order to enhance the robustness and precision of tracking algorithm in complex scenarios, this paper pro-poses a Bayes classification based structured sparse representation object tracking algorithm. Firstly, in the first frame, a sparse dictionary is obtained, which contains target and background templates, as well as positive and negative sam-ples. Secondly, all samples are linearly combined based on the idea of structured sparse representation, hence the coding coefficients can be gotten. Thirdly, a kind of Bayes classifier is designed, which is trained by the coding coefficients of positive and negative samples. The classifier is able to detect the candidate target and obtain the likelihood information of them. Fourthly, the dictionary is updated by combining incremental subspace learning and sparserepresentation method together. Finally, the proposed tracker performs favorably against 4 state-of-the-art trackers on 6 challenging video sequences.【总页数】9页(P1035-1043)【作者】侯跃恩;李伟光【作者单位】嘉应学院计算机学院，广东梅州 514000;华南理工大学机械与汽车工程学院，广州 510000【正文语种】中文【中图分类】TP391【相关文献】1.帧间连续结构稀疏表示的目标跟踪算法 [J], 侯跃恩;李伟光2.基于排名的结构稀疏表示目标跟踪算法 [J], 侯跃恩;李伟光;四库;曾顺星;容爱琼3.基于多尺度自适应权重的稀疏表示目标跟踪算法 [J], 程中建;周双娥;李康4.基于方差估计的快速稀疏表示目标跟踪算法研究 [J], 于立君;王辉;原新5.结合稀疏表示的跨摄像头运动目标跟踪算法 [J], 逯彦;廖桂生;黄庆享因版权原因，仅展示原文概要，查看原文内容请购买。

面向目标检测的稀疏表示方法研究进展_高仕博

1
引言
随着成像传感器技术的发展，人类扩展了获取图像信息的广度和深度，加深了人类对客观世界的认识，能观察到人眼能感知到和感知不到的物体，根据所用传感器的不同，常见的图像有彩色图像、红外图像、高光谱图像、合成孔径雷达图像及核磁共振图像等．对于获取的大量图像信息，人们期望借助计算机实现智能化处理，达到对场景的自动分析和理解．目标检测的任务是从获取的图像中分割出感兴趣的区域，作为图像理解的一个
第2 期 2015 年 2 月
电子学报 ACTA ELECTＲONICA SINICA
Vol． 43 No． 2 Feb． 2015
面向目标检测的稀疏表示方法研究进展
1 2 1， 3 1， 3 高仕博，程咏梅，肖利平，韦海萍
（ 1．北京航天自动控制研究所，北京 100854 ； 2．西北工业大学自动化学院，陕西西安 710072 ； 3．宇航智能控制技术国家级重点实验室，北京 100854 ）
K
上式是一个标准的稀疏编码问题，根据应用目的的不其有多种变体，如：同， arg min x － Da 2 s． t． a 1 ≤ε F，
{
a
arg min
a
1 x － Da 2
2 F
+λ a
（ 5）
1
其中 λ 表示非负稀疏性约束参数，式（ 5 ）的第二个式子就是著名的 Lasso 模型（ Least Absolute Shrinkage and Selection Operator）．除了求解 a 的稀疏编码问题外，人们更感兴趣的是如何选择 D 使得信号 x 在 D 上的表示是 Olshausen 稀疏的和有效的，称为字典设计或学习问题，［12 ］和 Field 最早将稀疏性约束 l1 范数作为最小二乘算法的规则项，从训练样本中学习到具有方向特性的原子，总体而言，稀疏编码和字典学习的基本定义可以表示如下： arg min∑ x i － Da i 2 s． t． d k 2 F + λ ai 1 ， F = 1 （ 6）

稀疏表示目标关联

稀疏表示目标关联Company Document number：WUUT-WUUY-WBBGB-BWYTT-1982GT无重叠视域多摄像头目标关联综述摘要：随着视频监控技术的快速发展，多监控摄像机信息融合的研究逐渐被重视起来，作为核心技术之一的无重叠视域多目标关联也成为了研究的焦点。

这个研究焦点是计算机视觉研究领域的一个新兴的、多学科交叉的研究方向。

文章对国际上关于此方向从开始到现在的重要研究成果，做出了比较详细的论述，把对该问题的研究归纳为三个主要的组成部分，并依次介绍了这三部分的研究进展，最后简要分析了这个方面研究的难点和未来的发展趋势。

关键字：视频监控、无重叠视域多摄像头、目标关联Abstract: With the rapid development of visual surveillance technology, the research about multi-camera information fusion is gradually paid more attention to. Thus, as one of the core techniques, objects tracking across non-overlapping multi-camera become the focus. This focus is a rising direction of computer vision, which crosses several subjects. This paper discusses the important achievements of this topic all over the world from beginning to present in detail. All of them are clustered into three parts and introduced orderly. Finally, some difficulties and future directions are analyzed concisely.Keywords: visual surveillance, non-overlapping multi-camera, objects matching1引言在单摄像机智能监控算法逐渐成熟的同时，近年来，多摄像机之间的信息关联和信息融合的研究逐渐被重视。

基于稀疏表示的目标跟踪算法研究

学校代码***** 学号************ 分类号TP391 密级公开硕士学位论文基于稀疏表示的目标跟踪算法研究学位申请人邵豪指导教师张莹副教授学院名称信息工程学院学科专业控制科学与工程研究方向机器视觉与智能信息处理二○一八年六月四日Research on Target Tracking Algorithm Based on Sparse RepresentationCandidate Shao HaoSupervisor Associate Prof. Zhang YingCollege College of Information EngineeringProgram Control Science and EngineeringSpecialization Machine vision and intelligent information processing Degree Master of EngineeringUniversity Xiangtan UniversityDate Jun, 2018摘要目标跟踪就是在连续的视频序列中，建立所要跟踪物体的位置关系，得到物体完整的运动轨迹，目前广泛应用于军事导航、城市智能交通管控、视频监控以及人机交互等方面。

在目标运动的过程中，会出现姿态或形状的变化、尺度的变化、背景遮挡或光线亮度的变化等情况，降低了跟踪算法的准确率，构建一个性能高效、稳定的适应强的追踪算法是当前跟踪领域的一大难题。

为解决目标跟踪过程中出现的目标丢失及提高跟踪效率，本文做了以下研究：（1）为提高计算速率，减小背景信息的干扰并增强稀疏表示跟踪模型性能，提出了一种利用分段加权函数构建的反向稀疏跟踪算法，将跟踪问题转化为在贝叶斯框架下寻找概率最高的候选对象问题，通过构造不同的分段权重函数分别度量候选目标与正负模板的判别特征系数。

利用池化降低跟踪结果的不确定性干扰，选择正模板与负模板相减得到的最大差值系数所对应的候选表示作为当前跟踪结果。

梯度特征稀疏表示目标跟踪

关键词：目标跟踪；梯度方向直方图；稀疏表示；压缩感知
中图分类号：ＴＰ３９１
文献标识码：Ａ
ｄｏｉ：１０．３７８８／ＯＰＥ．２０１３２ｌ１２．３１９１
ｏｂｊｅｃｔｔｒａｃｋｉｎｇｂａｓｅｄｏｎｓｐａｒｓｅｒｅｐｒｅｓｅｎｔａｔｉ０ｎｏｆｇｒａｄｉｅｎｔｆｅａｔｕｒｅ
＊Ｃ０ｒｒｅｓ０７ｚｇａｕｔｈｏｒ，Ｅ－ｍａｉｌ：ｆｌｃｈａｎｇ＠ｓｄｕ．ｅｄｕ．ｃｎ
Ａｂｓｔｒａｃｔ：Ａｓｔｒａｄｉｔｉｏｎａｌｃｏｍｐｒｅｓｓｉｖｅｓｅｎｓｉｎｇｔｒａｃｋｉｎｇａｌｇｏｒｉｔｈｍｗｉｌｌｐｒｏｄｕｃｅｔｒａｃｋｉｎｇｅｒｒｏｒｓｉｎｃｉｒｃｕｍ—
ｇｒｏｕｎｄ，ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｓｐａｒｓｅｒｅｐｒｅｓｅｎｔａｔｉｏｎｏｂｊｅｃｔｔｒａｃｋｉｎｇａｌｇｏｒｉｔｈｍｂｙｔａｋｉｎｇｔｈｅｈｉｓｔｏｇｒａｍ
不同视频的实验结果表明，该方法在实验环境ＩｎｔｅｌＣｏｒｅ２２．９３ＧＨｚ，ｍａｔｌａｂＲ２０１０ａ，图像大小３２０ ×２４０下，跟踪速率可

《西安科技大学学报》2020年总目次

泾阳南塬黄土滑坡冲击阶地易侵蚀层过程模拟王念秦，张宁，段钊（２４４）泾阳Ｑ２黄土剪切带微观结构研究高红灵，李昊，李晓军，等（２５３）加权确定性系数模型的滑坡易发性评价乔德京，王念秦，郭有金，等（２５９）大跨度现浇连续箱梁满堂支架结构稳定性分析及评价熊咸玉，戴俊（２６８）西北五省地区民居被动式建筑设计策略模拟丁育陶，夏博，韩靖，等（２７５）基于未确知测度理论的岩溶隧道塌方风险预警王天瑜，屈丽娜，倪利智，等（２８４）硫化亚铁氧化自燃试验研究陈文涛，葛世友，袁晓雨，等（２９２）优化ｎ型接触极钝化多晶硅太阳能电池的硼扩散工艺李琛，ＵｄｏＲｍｅｒ，ＡｌｉｓｏｎＬｅｎｎｏｎ（２９８）哈日凹陷巴音戈壁组碎屑岩储层及微观孔喉特征郑立巍，董书宁，唐胜利，等（３０４）基于ＦＤＳ的高层居民楼火灾模拟王炜罡，文虎，贾勇锋（３１４）高雷诺数下不同湍流润滑模型对水润滑橡胶轴承润滑特性的影响杜媛英，李明，任兴星（３２１）基于压缩感知的小电流接地系统故障选线方法郝帅，范文璐，付周兴，等（３３０）变压器绕组累积形变模拟与仿真吴伟丽，于昌隆（３３６）基于改进ＰＳＯＳＶＭ的燃煤电厂烟气含氧量软测量苏涛，潘红光，黄向东，等（３４２）结合退火优化和遗传重采样的ＲＢＰＦ算法孙弋，张笑笑（３４９）博看网 . All矿R山ig井ht下s超R宽es带er无ve线d.定位算法研究朱代先，孙小婷，郭明香，等（３５６）基于ＰＳＯＡｄａｍＧＲＵ的煤矿瓦斯浓度预测模型马莉，潘少波，代新冠，等（３６３）采用曲率扩散和边缘重建的深度图像空洞修复牟琦，夏蕾，李占利，等（３６９）
第 பைடு நூலகம்期
六苯氧基环三磷腈泡沫硅胶阻燃特性探究邓军，庞青涛（１８７）凉水井矿综采工作面粉尘运移规律数值仿真王建国，周侗柱，戚斐文，等（１９５）三维物理模型模拟深部巨厚砾岩下综放开采地表移动柴敬，雷武林，李昊，等（２０４）大倾角多区段开采顶板运移及其采空区充填规律实验研究解盘石，段建杰，皇甫靖宇，等（２１２）急倾斜水平分段综放面强矿压致灾机理及其防治杨文化，来兴平，王宁波，等（２２１）基于数字图像的试样表面应力估算及应用张磊，李树刚，申凯，等（２２９）东荣矿区煤样氧化反应动力学热分析赵维国，李经文，张辛亥，等（２３８）

稀疏投影在目标跟踪中的应用

稀疏投影在目标跟踪中的应用邵洁【摘要】探讨了稀疏投影表示法在目标检测跟踪系统中的应用.通过一范数(L1)正则化最小二乘算法实现目标特征在模板矩阵的稀疏投影,并根据投影差值最小的目标特征找到最优跟踪状态估计,最后更新模板矩阵以适应目标变化.该方法将基于贝叶斯框架的状态预测和视频采集模板相结合得到最优跟踪轨迹.实验结果表明,该方法能够达到很好的跟踪效果.【期刊名称】《上海电力学院学报》【年(卷),期】2012(028)004【总页数】4页(P357-360)【关键词】视频跟踪;稀疏表示;粒子滤波;模板匹配【作者】邵洁【作者单位】上海电力学院计算机与信息工程学院,上海200090【正文语种】中文【中图分类】TP391.41运动目标分析是计算机视觉研究领域中的一个富有挑战性的课题.它涵盖了移动目标物体的检测、跟踪，以及跟踪物体的行为识别等多个方面的内容.一个鲁棒的视频跟踪算法需要克服噪音的影响，图像中的目标间互遮挡或物体对人的遮挡，图像视角变化，复杂的背景和光照变化等.跟踪算法能够实现对一段时间内目标空间状态的估计.早期研究中，基础跟踪算法通常采用卡尔曼滤波实现.然而由于卡尔曼滤波只能提供状态变化服从线性高斯分布的目标最优值估计，不符合现实中的目标运动变化状态，使得其后产生的基于非线性模型的粒子滤波方法逐渐成为更广泛使用的次最优状态估计方法.在基础跟踪算法选定的情况下，如何利用特征找到与已有跟踪目标或模板最匹配的观测目标是目标跟踪的关键.1 算法概述本文尝试通过寻找模板子空间中目标的稀疏最优估计实现目标跟踪.这一设想来自于文献［1］，首先在第一帧初始化目标模板，然后在跟踪过程中，通过贝叶斯框架下的粒子滤波得到多个候选目标位置，再将候选位置的目标模块表示成目标模板的稀疏线性加权和.因此，处于最正确候选位置的目标模块应当最能有效地由目标模板表示.事实上，通过将这种表示转化为一个L1正则化最小二乘问题求解时，可以得到一个候选模块关于目标模板的稀疏权值向量.而与目标模板加权和差值最小的候选模块是当前帧的最优跟踪结果.其算法流程如图1所示.图1 基于稀疏表示的目标跟踪算法基本流程2 粒子滤波算法粒子滤波是一种利用贝叶斯序列重要性采样技术来估计状态变量的后验概率密度分布的算法.它包含预测和更新两个基本步骤.假设xt表示描述t时刻物体特征的状态变量，则在已知所有1 到 t－1 时刻的观测结果z1∶t－1={z1，z2，…，zt－1}的条件下，xt的条件预测分布为p(xt/z1∶t－1):而在t时刻，当已知观测值zt，则基于贝叶斯规则可以得到状态向量的后验概率密度为:式中:p(zt/xt)——观测似然概率密度.粒子滤波采用大量具有权重的粒子样本}i=1，…，N实现对后验概率密度p(xt/z1∶t)的分布估计.粒子样本服从某一特定分布，比如状态转换概率密度分布p(xt/xt－1)，如图2所示.以100个采样粒子为例，在地铁视频中针对人群中某一目标得到以采样粒子为中心的候选跟踪模块分布，则相应的粒子权重更新为:图2 粒子样本分布示例在本文的跟踪算法中，采用图像的仿射变换以实现对连续两帧目标，运动建模.状态变量xt=(Λ，px，py，vx，vy)包括仿射参数向量Λ，目标位置(px，py)和平均速度(vx，vy).仿射参数Λ 来自于对已知状态xt的计算.首先从图像中获取感兴趣区域zt，并将其归一化为目标模板大小.本文假设状态转换概率 p(xt/xt－1)服从高斯分布，且仿射向量中各参数独立，则观测模型p(zt/xt)的大小反映了观测值与目标模板的相似程度.在跟踪过程中，p(zt/xt)由目标模板和观测值的L1最小化误差得到.3 基于L1最小化的跟踪在跟踪过程中，本文将不同光照背景和视角下目标的全局特征投影到一个低维子空间中来实现状态估计.若已知目标模板序列T={t1，t2，…，tn}∈Rd×n(d ＞＞n)，包含 n 个ti∈Rd的向量矩阵，则跟踪结果全局特征y∈Rd可以表示为:式中:a——目标参数向量，a={a1，a2，…，an}T∈在许多视频目标跟踪场景中，目标物体常常面临噪音或局部遮挡的问题，尤其遮挡会影响图像的任何位置或任意大小，会产生不可预测的检测错误.因此，考虑噪音和遮挡问题的影响，式(4)可以写成:式中:ε——非零错误向量，表示y中被遮挡或破坏的像素.事实上，由于ε的不确定性，a有无数种不同的解.然而，一个可信的目标跟踪模块应当在其对应向量a中只存在有限个数的非零值，也就是说，目标跟踪模块仅可能与有限个目标模板有较高的相似性.因此，将式(5)转化为一个L1正则化最小二乘问题，即:式中:‖·‖2，‖·‖1——L1和L2范数计算.L1正则化最小二乘问题可通过Lasso问题求解法得到解决，本文直接采用 INRIA 提供的SPAMS稀疏分解工具箱加以实现.4 模板更新在计算机视觉中使用模板跟踪方法始于1981年［2］.首先在第一帧中提取目标模板，在随后每帧中感兴趣的区域找到最为匹配的目标位置.一个固定的目标模板不足以应对视频中可能产生的变化，而如果模板随视频更新过快易导致丢失原始目标状态而仅保留包含更多不确定性的跟踪信息.本文采用的基于稀疏表示的目标跟踪法与传统的模板匹配法有类似之处.虽然在初始时间内，目标外表会保持不变，但随着时间的延续，模板与目标的当前外表会出现差异，这与目标行为和面对摄像机的角度有关.因此，我们采用目标模板T的动态更新来解决这一问题.L1最小化的一个重要特点是模板的范数越大，最小化得到的差值越小，这是由式(6)中‖a‖1项的存在产生的.模板‖ti‖2的值越大，‖Ta－y项中相对应的系数ai越小.利用这一特性，可以引入一个与每个模板相关联的权重向量ωi=‖ti‖2.权重越大，表示模板与当前目标的相关性越大.第一帧中，人为选定模板并对其进行归一化.对选定模板模块上下左右略微移动一定像素值可以得到多个不同的模板，提取特征后可以得到模板矩阵.初始条件下，每个模板的权值ωi相同，都等于1.每一帧结束后对权值进行更新后就可得到:若当前目标与最优模板的相似度大于某一阈值，则调整每个模板的范数‖ti‖2=ωi，并对其进行归一化;若两者相似度小于某阈值的话，则将相似度最低的模板更新为当前目标特征，其权重值初始化为所有权重的平均值.5 实验结果与分析在Matlab环境下，采用大量的视频对其进行了有效性测试.实验环境:双核2.66 GHz CPU，3 GB内存，帧图像为768×576像素，视频跟踪算法运算速度为每秒4帧.测试视频包括室内外大量不同人流密度的场景，且场景中包含光线变化和不同程度的遮挡.实验以第一帧为参考帧，即所取的模板均取自第一帧的目标模块.每一个目标分配20个不同模板.这些模板的获取同样来自于第一帧的目标模块，仅在原始位置的不同方向微移后选取.在所有情况下，初始位置和目标的选取均由人工实现，粒子数量固定为400.采用本文的跟踪方法实现的跟踪效果如图3所示.每一行从左往右排列5帧同一场景的跟踪效果图片，图片的左上角显示的数字表示当前帧数.每张图片均标注了从起始帧到当前帧被跟踪目标的运动轨迹，显示了跟踪方法在各种场景中捕获运动变化的持续时间的有效性和稳定性.第1行的图片序列显示了在拥挤的机场候机室中，跟踪一位身着深色上衣的旅客的过程.这位旅客从一排椅子的右侧绕行至左侧，并穿过了一群向相反方向行走的人.这种单一目标的无规律运动变化是无法由运动流模型［3，4］模拟得到的.第2行图片序列显示了对广场上人群的俯视拍摄.虽然被跟踪行人身着的灰色上衣近似于地面颜色，但仍能被正确跟踪，显示出本算法对于相似颜色条件下的跟踪仍可保持较高的精确性.第3行图片序列来自于2009年的PETS测试图库，显示了一群人在校园中从西向东行走的场景.由于镜头较远，因此人在图片中所占比例较小，很难捕获人物的具体细节特征，同时地面上斑驳的树影显示出场景的光照条件比较复杂.第4行图片序列展示了地铁楼梯上的异常拥挤场景，人流由上至下缓慢行走，画面中大多为黑色和白色，人与人之间特征差别较小. 在所有这些具有挑战性的场景中，本文提出的方法均能稳定地跟踪到目标.图3 算法跟踪效果示意6 结语本文提供了一种稀疏表示算法在实际场景中目标跟踪的实现方法.可将跟踪过程看作一个稀疏估计问题，并采用L1正则化最小二乘法对其求解.为了适应目标的变化，还引入了动态模板更新算法.经过对多例实际场景视频的跟踪实验，均获得良好的跟踪效果，尤其是具有良好背景分割效果的视频，可以得到准确的跟踪结果.实验表明，该算法具有良好的鲁棒性.但该算法的计算时间花销过大.相信随着计算机的发展、程序的优化，这一问题将会得到解决.参考文献:【相关文献】［1］MEI X，LING H.Robust visual tracking and vehicle classification via sparse representation ［J］.PAMI，2011，33(11):2 259-2 272.［2］LUCAS B，KANADE T.An iterative image registration technique with an applicationto stereo vision［C］//ICJAI，1981:674-679.［3］RODROGIEZ M，ALI S，KANADE T.Tracking in unstructured crowded scenes，computer vision［C］//2009 IEEE 12th International Conference on Kyoto， Japan， Sep.，2009:1 389-1 396.［4］ALI S，MUBARAK Shah.Floor fields for tracking in high density crowd scenes［C］//ECCV’08 Proceedings of the 10th European Conference on Computer Vision，Marseille，France，2008:1-14.。

图像稀疏表示及图像超分辨应用分析

图像稀疏表示及图像超分辨应用分析韩小虎【摘要】随着科学技术的进步，图像稀疏表示以及图像超分辨在当下的图像处理中得到了较为广泛的应用，对于图像高效率表示来说，具有十分重要的影响。

图像稀疏表示技术以及图像超分辨应用对于促进图像应用发展起到了较为不错的效果，其在应用过程中，主要基于图像稀疏表示模型，对稀疏分解以及字典构造问题进行了表述。

文章对图像稀疏表示及图像超分辨过程中的稀疏表示及图像超分辨应用上的图像去噪、修复以及识别问题进行了总结和分析，希望能够为图像稀疏表示及图像超分辨应用提供一些参考和建议。

%With the progress of science and technology, the image sparse said, image super resolution has been extensively applied in the current image processing, for efifcient image representation that has very important inlfuence. Image sparse said technology and image superresolution application for promoting the image application development process, the effect is good, the in the application process, mainly based on image sparse representation model, the sparse decomposition and dictionary structure are described. The image sparse said and image superresolution application analysis process, mainly the sparse said and super-resolution image application in image denoising, repair and recognition Summarizing and analyzing the problems, I hope this study can provide some reference and suggestions for image sparse representation and image super-resolution.【期刊名称】《无线互联科技》【年(卷),期】2016(000)003【总页数】2页(P112-113)【关键词】图像稀疏表示;图像超分辨应用;图像处理【作者】韩小虎【作者单位】河南大学，河南开封 473004【正文语种】中文图像稀疏表示及图像超分辨应用是信息技术发展到一定阶段的产物，这2种技术手段在图像处理过程中发挥着重要作用。

稀疏编码在运动目标检测与跟踪中的应用探索

稀疏编码在运动目标检测与跟踪中的应用探索近年来，随着计算机视觉领域的不断发展，稀疏编码作为一种重要的数据处理技术，被广泛应用于运动目标检测与跟踪领域。

稀疏编码通过对图像或视频数据进行压缩和重建，能够有效提取关键信息，实现目标的准确检测和跟踪。

本文将探索稀疏编码在运动目标检测与跟踪中的应用，并介绍其原理和优势。

一、稀疏编码的原理稀疏编码是一种基于信号稀疏性的数据表示方法。

其核心思想是通过选择少量的基向量，将输入信号表示为这些基向量的线性组合。

在稀疏编码中，通常使用L1范数作为稀疏性度量，通过最小化L1范数，可以得到最稀疏的表示。

稀疏编码的原理可以用以下数学模型表示：min ||x||1，s.t. y = Ax其中，x表示稀疏编码的系数，y表示输入信号，A表示基向量矩阵。

通过求解上述优化问题，可以得到最优的稀疏表示。

二、稀疏编码在运动目标检测中的应用稀疏编码在运动目标检测中的应用主要包括两个方面：特征提取和目标检测。

1. 特征提取稀疏编码可以通过学习稀疏表示的基向量，从输入的图像或视频数据中提取出关键的特征信息。

通过选择适当的基向量，可以提取出与目标运动相关的特征，从而实现对目标的准确检测和跟踪。

2. 目标检测稀疏编码可以将输入信号表示为基向量的线性组合，从而实现对目标的检测。

通过选择适当的基向量，可以将目标与背景进行有效分离，提高目标检测的准确性和鲁棒性。

三、稀疏编码在运动目标跟踪中的应用稀疏编码在运动目标跟踪中的应用主要包括两个方面：目标表示和目标跟踪。

1. 目标表示稀疏编码可以通过学习稀疏表示的基向量，将目标表示为这些基向量的线性组合。

通过选择适当的基向量，可以提取出与目标运动相关的特征，从而实现对目标的准确表示。

2. 目标跟踪稀疏编码可以通过对目标的稀疏表示进行更新，实现目标的跟踪。

通过选择适当的基向量，可以将目标与背景进行有效分离，提高目标跟踪的准确性和鲁棒性。

四、稀疏编码在运动目标检测与跟踪中的优势稀疏编码在运动目标检测与跟踪中具有以下优势：1. 高效性：稀疏编码能够通过选择少量的基向量，实现对输入信号的高效表示和重建，从而提高运动目标检测与跟踪的效率。

CVPR2013_Benchmark翻译

在线目标跟踪：一种评估基准吴毅Jongwoo Lim 杨明玄摘要目标跟踪是计算机视觉大量应用中的重要组成部分之一。

近年来，尽管在分享源码和数据集方面的努力已经取得了许多进展，开发一套库和标准用于评估当前最先进的跟踪算法仍然是极其重要的。

在简单回顾近年来在线目标跟踪的研究进展后，我们以多种评价标准进行了大量的实验，用于研究这些算法的性能。

为了便于性能评估和分析，测试图片序列分别被标注了不同的特性。

通过定量分析结果，我们得出了实现鲁棒性跟踪的有效方法，并给出了目标跟踪领域潜在的未来研究方向。

1.介绍在计算机视觉的许多不同应用之中，目标跟踪是最重要的组成部分之一。

比如监视、人机交互和医疗图像[60,12]。

在视频的一帧中，目标的初始状态（比如位置和尺寸）是给定的，跟踪的目的就是在随后的帧中评估出目标的状态。

尽管目标跟踪问题已经被研究了数十年，近年来也取得了许多进展[28, 16, 47, 5, 40, 26, 19]，但它仍是一个非常具有挑战性的问题。

大量因素影响着跟踪算法的性能，比如光照变化、遮挡和杂乱的背景，目前也不存在单一跟踪方法可以成功地处理所有的应用场景。

因此，评估这些最先进的跟踪器的性能以展示其优势和弱点是至关重要的，而且有助于明确该领域未来的研究方向，从而设计出更加鲁棒的算法。

对于综合性能评估，收集具有代表性的数据集是极其重要的。

目前已经存在一些针对监控场景中视觉跟踪的数据集，比如VIVID [14]，CA VIAR [21]和PETS数据集。

然而，这些监控序列中的目标对象通常是人或小尺寸的车，并且背景通常都是静态的。

尽管有一部分普通场景下的跟踪数据集[47, 5, 33]被标定好了边界框，但是绝大部分并没有被标定好。

对于那些没有被标注ground truth的序列，评估跟踪算法是困难的，因为结果是基于不一致的目标标注位置。

近年来，更多的跟踪源码已经可以公开获得，比如OAB [22]，IVT [47]，MIL [5]，L1 [40]和TLD [31]算法，这些算法通常都被用于评估。

基于稀疏表示和特征选择的LK目标跟踪

ｓｐａｒｓｅｒｅｐｒｅｓｅｎｔａｔｉｏｎｉｎｔｈｅＬｕｃａｓ — Ｋａｎａｄｅｉｍａｇｅｒｅｇｉｓｔｒａｔｉｏｎｆｒａｍｅｗｏｒｋ．Ｔｏｒｅｄｕｓｅｔｈｅｉｍｐａｃｔｏｆｉｎｔｅｒｆｅｒｅｎｃｅｏｎｔｈｅｔｒａｃｋｉｎｇ，
ＬＫｔｒａｃｋｉｎｇｂａｓｅｄｏｎｓｐａｒｓｅｒｅｐｒｅｓｅｎｔａｔｉｏｎａｎｄｆｅａｔｕｒｅｓｓｅｌｅｃｔｉｏｎ
ＰＡＮＱｉｎｇ，ＺＥＮＧＺｈｏｎｇ－ｊｉｅ
潘
摘
晴，曾仲杰
（广东工业大学信息工程学院，广州Ｉ５１０００６）要：为了实现复杂场景中的视觉跟踪，提出了一种以ＬＫ（Ｌｕｃａｓ — Ｋａｎａｄｅ）图像配准算法为框架，基于稀疏表
示的在线特征选择机制。在视频序列的每一帧，筛选出一些能够很好区分目标及其相邻背景的特征，从而降低干扰对跟踪的影响。该算法分别构造前景字典和背景字典，前景字典来自于第一帧的手动标定，并随着跟踪结果不断更新，而背景字典则在每一帧重新构造。同时，一种新的字典更新策略不仅能有效应对目标的外观变化，而且通过特征选择机制，能避免在更新过程中引入干扰，从而克服了漂移现象。大量的实验结果表明，该算法能有效应对视角变化、光照变化以及大面积的局部遮挡等挑战。关键词：视觉跟踪；稀疏表示；ＬＫ图像配准算法；特征选择

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

ｓｕｉｔｉｓｔｈｅｃａｎｄｉｄａｔｅｗｉ也ｔｈｅｌｒｇａｅｓｔｗｅｉｈｔｇ．Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｉｎｄｉｃａｔｅｈａｔｔｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｉｓｍｏｅｒｅｆｅｃｔｉｖｅｎｄａｅｆｆｉｃｉｅｎｔｈａｔｎｔｈｅ
Ａｂｓｔｒａｃｔ：Ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｎｏｖｅｌｔａｒｇｅｔｔｒａｃｋｉｎｇｍｅｔｈｏｄｂａｓｅｄｏｎｓｐａｒｓｅｃｏｄｉｎｇ．Ｕｎｄｅｒｐａｒｔｉｃｌｅｉｆｌｔｅｒｆｒａｍｅｗｏｒｋ，ｔｈｅｔａｒｇｅｔｔｅｍ－
ＺＨＡＮＧＳｈｅｎｇｐｉｎｇ，ＹＡＯＨｏｎｇｘｕｎ，ＳＵＮＸｉｎ，ＬＵＸｉｕｓｈｅｎｇ
（ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＨａｒｂｉｎｌｎｓｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｇｙ，Ｈａｒｂｉｎ１５０００１，Ｃｈｉｎａ）
中图分类号：ＴＰ３９１．２文献标识码：Ａ文章编号：２０９５ — ２１６３（２０１３）０１ — ００２１ — ０５
ＴａｒｇｅｔＴｒａｃｋｉｎｇｂａｓｅｄｏｎＳｐａｒｓｅＣｏｄｉｎｇ
０引言
最近几年，受到基于稀疏表示的人脸识别方法的启发，
模板对应的系数不再为零，从而使得整个系数向量并不稀疏，此时在求解系数的目标函数中最小化系数的范式约束将不再合理。另一方面，当被跟踪的目标发生部分遮挡时，尽管单位模板能够表示由于遮挡而引起的目标外观的
（哈尔滨工业大学计算机科学与技术学院，哈尔滨１５０００１）
摘要：提出了一个新的基于稀疏表示的目标跟踪方法。在粒子滤波框架下，将目标模板线性表示为所有目标候选的线性组合。
当假设目标候选中存在与目标模板相似的候选时，线性表示的系数满足稀疏性约束，可以通过范式最小化求解。每一个目标候选
第３卷第１期２０１３年２月
智能计算机与应用
ＩＮＴＥＬＬＩＧＥＮＴＣＯＭＰＵＴＥＲＡＮＤＡＰＰＬＩＣＡＴＩｏＮＳ
Ｖｏ１．３Ｎｏ．１Ｆｅｂ．２０１３
基于稀疏表示的目标跟踪方法
张盛平，姚鸿勋，孙鑫，卢修生
ｐｌａｔｅｉｓｒｅｐｒｅｓｅｎｔｅｄｂｙａｓｅｔｏｆａｌｌｔｒｇａｅｔｃａｎｄｉｄａｔｅｓ．Ａｓｓｕｍｉｎｇｈａｔｔｈｅｔｒｅｉｓｏｎｅｔａｒｇｔｅｃｎｄａｉｄａｔｅｓｉｍｉｌａｒｔｏｈｅｔｔａｒｇｅｔｔｅｍｐｌａｔｅ，ｔｈｅｒｅｐｒｅｓｅｎｔａ－ｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔｓｒｅａｓｐｒｓａｅ，ｈｅｔｒｅｆｏｒｅｃａｌｌｂｅｓｏｌｖｅｄｂｙｎｏｒｍｍｉｎｉｍｉｚａｔｉｏｎ．Ｔｈｅｃｏｅｉｃｆｉｅｎｔａｓｓｏｃｉａｔｅｄｔｏｅａｃｈｔｒｇａｅｔｃｎｄａｉｄａｔｅｒｅｌｆｅｃｔｓｈｅｔｓｉ ห้องสมุดไป่ตู้ｉｌａｒｉｔｙｂｅｔｗｅｅｎｈｅｔｔｅｍｐｌａｔｅａｎｄｈｅｔｃｎｄａｉｄａｔｅ．ｈｅＴｒｅｆｏｒｅ，ｈｅｔｃｏｅｉｃｆｉｅｎｔｃａｌｌｂｅｕｓｅｄｓａｗｅｉｇｈｔｏｆｔｈｅｔｒｇａｅｔｃｎｄａｉａｔｄｅ．Ｔｈｅｔｒａｃｋｉｎｇｅ— ｒ
在线性表示中的系数反映了该候选与目标模板的相似程度，因此可以将系数作为目标候选的权重。目标跟踪的结果为权重最大的候选。实验结果表明本文提出的算法比文献中现有的基于范式最小化的跟踪方法性能更稳定、计算效率更高。
关键词：目标跟踪；稀疏表示；范式最小化
ｅｘｉｓｔｉｎｇｍｅｈｏｔｄｓｂｓｅａｄｏｎｎｏｒｍｍｉｎｉｍｉａｔｚｉｏｎ．
Ｋｅｙｗｏｒｄｓ：ＴｒｇａｅｔＴｒａｃｋｉｎｇ；ＳｐａｒｓｅＲｐｒｅｅｓｅｎｔａｔｉｏｎ；４ＮｏｒｍＭｉｎｉｍｉａｔｚｉｏｎ