稀疏表示、目标跟踪28页PPT

稀疏表示、目标跟踪

小结
论文主要提出了三个算法：
1、基于稀疏自适应的图像重构算法
2、基于Gabor字典的稀疏表示跟踪算法 3、基于L1跟踪的遮挡目标快速重构算法
研究成果
[1] [2] [3] [4] [5] [6] 稀疏度自适应信号重构方法. 中国发明专利，201410658642.0（学生一作）一种基于稀疏表示的目标跟踪方法. 中国发明专利，20141062529.7（学生一作）基于交叉耦合的边检测边跟踪系统. 中国发明专利，201410658428.5（学生二作）基于稀疏学习的目标跟踪算法. 电子科大学报（已投，学生一作）横向项目：攀枝花供电局三维变电站纵向项目：国家自然基金：基于边检测边跟踪的视觉导航下的目标跟踪算法研究
I ( z )* u ,v ( z )
a b
I (a, b)
u ,v
( x a, y b)
4.基于Gabor字典的稀疏表示跟踪算法
通过Gabor变换提取得到的目标Gabor特征示意图：
4.基于Gabor字典的稀疏表示跟踪算法
改进算法流程图：
视频序列
初始化模板
(3)组合优化算法
3.基于稀疏度自适应的图像重构算法
分段正交匹配跟踪算法（stage-wise OMP）:
3.基于稀疏度自适应的图像重构算法
改进算法流程图：
输入图像初始残差匹配滤波建立候选集
步长更新
否
残差是否衰减是
建立支撑集
重构图像
重构残差
3.基于稀疏度自适应的图像重构算法
匹配滤波：
下面为改进算法和L1算法对视频“guying”和“sylvester” 的跟踪结果：
5.基于L1跟踪的遮挡目标快速重构算法

贝叶斯追踪算法的稀疏表示

z j − ∑ yi bij = y j + ∑ ( yi − yi )bij + v j
i≠ j i≠ j ∧ ∧
∆
i≠ j
(8)
ˆ 是第i y i 是第i个系数的估计。我们可以定义
ˆ ˆ m j = ∑ y i bij , γ j = ∑ ( y i − y i )bij + v j
i≠ j i≠ j ∆ ∆
我们令模型2中的P=0.9,来产生稀疏系数，我们令模型2中的P=0.9,来产生稀疏系数，在信号的稀疏表示中有51个原子是有效的，在信号的稀疏表示中有51个原子是有效的，噪声水平或误差可以看成方差不同的高斯分布。对于未知统计参数的初始化 ( p, δ r , δ e )我们可以令：
j
有效( yi ) = z j − m j > Th j
∆
(12)
其中 Th j 定义如下：
Thj =
∆
δγ
j
δr
δ r2 + δγ2j p 2 2 2 δ r + δγ j ln 1 − p δγ j ()来自 (13)
(13) 虽然式(13)确定了最佳阈值，但是他必须依虽然式(13)确定了最佳阈值，但是他必须依靠未知参数 p, δ r ,δ γ ，而这些未知参数是通过对原始信号x的估计获得的,我们可以通过式（7 始信号x的估计获得的,我们可以通过式（7）来获得这些未知参数的无偏估计：
在贝叶斯框架下，一种新的期望最大化（EM）在贝叶斯框架下，一种新的期望最大化（EM）算法和贝叶斯压缩传感（BCS）的算法被提出来算法和贝叶斯压缩传感（BCS）的算法被提出来解决这个问题。第二类方法是通过迭代算法得到有效的系数（也就是指非零）。通常该方法是利用信号与冗余字典的原子的相关性确定哪个系数是有效的。这些迭代算法可以是匹配追踪（MP）,正交匹配追踪（OMP），Stage-wise MP）正交匹配追踪（OMP），StageOMP (StOMP)，梯度追踪（GP）。我们所提出 (StOMP)，梯度追踪（GP）。我们所提出的方法可以被认为是迭代检测估计（IDE）中的的方法可以被认为是迭代检测估计（IDE）中的改进，在使用简单的贪婪算法的同时使用贝叶斯工具来得到有效原子的最佳选择。

基于稀疏表示的目标追踪方法

基于稀疏表示的目标追踪方法
李俊瑶
【期刊名称】《科技视界》
【年(卷),期】2017(000)029
【摘要】目标追踪作为图像理解重要的一部分,在公安工作中有着广泛的应用.但是对于一些复杂场景,车辆、行人众多、背景多样,传统的目标追踪算法难以达到理想效果.本文概述了稀疏表示基本概念和稀疏编码的方法,对稀疏表示方法在目标追踪领域中重要研究进展进行总结归纳,并展望了稀疏表示方法在目标追踪领域的发展方向.
【总页数】3页(P30-32)
【作者】李俊瑶
【作者单位】江苏警官学院刑事科学技术系,江苏南京 211800
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于HTP稀疏表示的鲁棒目标追踪方法 [J], 聂欢;刘嘉穗;朱莉波;
2.基于稀疏表示的目标追踪算法 [J], 尚俊
3.基于HTP稀疏表示的鲁棒目标追踪方法 [J], 聂欢;刘嘉穗;朱莉波
4.基于自适应同时稀疏表示的鲁棒性目标追踪 [J], 李厚彪;樊庆宇;耿广磊
5.基于典型相关性分析的稀疏表示目标追踪 [J], 康彬;曹雯雯;颜俊;张索非
因版权原因，仅展示原文概要，查看原文内容请购买。

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。

基于稀疏表示的目标跟踪算法

ＷｅｎＨｕｉｒａｎ，ＺｈａｎｇＨｏｎｇｍｅｉ，ＺｈａｎｇＸｉａｎｇｌｉ，ＬｉＰｅｎｇｆｅｉ
（ＳｃｈｏｏｌｏｆＩｎｆｏｒｍａｔｉｏｎａｎｄＣｏｍｍｕｎｉｃａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＧｕｉｌｉｎＵｎｉｖｅｒｓｉｔｙｏｆＥｌｅｃｔｒｏｎｉｃＴｅｃｈｎｏｌｏｇｙ，Ｇｕｉｌｉｎ５４１００４，Ｃｈｉｎａ）
Ａｕｇ．２０１５
基于稀疏表示的目标跟踪算法
温荟然，张红梅，张向利，李鹏飞
（桂林电子科技大学信息与通信学院，广西桂林５４１００４）
摘
要：为了解决目标跟踪忽视背景信息的问题，运用非常稀疏的矩阵对目标与背景样本提取低维Ｈａａｒ特征，并将候选目
Ａｂｓｔｒａｃｔ：ＩｎｏｒｄｅｒｔＯｓｏｌｖｅｔｈｅｄｅｆｅｃｔｓｏｆｔｒａｃｋｉｎｇａｌｇｏｒｉｔｈｍｗｈｉｃｈｉｇｎｏｒｅｓｔｈｅｂａｃｋｇｒｏｕｎｄｉｎｆｏｒｍａｔｉｏｎ，ａｖｅｒｙｓｐａｒｓｅｍａｔｒｉｘｉｓｕｓｅｄｔＯｇｅｔｌｏｗｄｉｍｅｎｓｉｏｎａｌＨａａｒｆｅａｔｕｒｅｏｆｔａｒｇｅｔａｎｄｂａｃｋｇｒｏｕｎｄ，ａｎｄｔｈｅｃａｎｄｉｄａｔｅｔａｒｇｅｔｃａｎｂｅｓｐａｒｓｅｒｅｐｒｅｓｅｎｔａｔｉｏｎ

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

稀疏表示与稀疏分解课件PPT

2.贪婪法
匹配追踪（MP） ,正交匹配追踪（OMP）,弱匹配追踪等等。
2.1凸松弛法
凸松弛算法的核心思想就是用凸的或者是更容易处理的稀疏
度量函数代替（1）中非凸的L0范数，通过转换成凸规划或非线性规划问题来逼近原先的组合优化问题，变换后的模型则可采用诸多现有的高效算法进行求解，降低了问题的复杂度。
转化为
基追踪去噪：我们可以把上式的模型加以变形为：
1.稀疏表示介绍
稀疏表示，它意欲用尽可能少的非0系数表示信号的主要信息，从而简化信号处理问题的求解过程。
稀疏表示模型可如表达式(1)所示，其中y∈R^n为待处理信号，D∈R^(n×m)为字典，x∈R^m为稀疏系数， ||x||_0≪m。 ||x||_0为x的稀疏度，它表示x中非0稀疏的个数。
凸松弛算法的有效性依赖于过完备字典自身是否存在快速的变换与重建算法，例如对于正交基字典算法具有较高的效率，然而对于一般的
过完备字典，凸松弛算法仍具有非常高的运算复杂度。
2.1贪婪法
我们知道稀疏解x包括非0系数的位置索引和幅值两个信息，贪婪法的主体思路是先确定x中非0元素的位置索引，然后用最小二乘求解对应的幅值。
就变成了一个常见的线性规划问题，我们可以用单纯性算法或内点法来求解. 就变成了一个常见的线性规划问题，我们可以用单纯性算法或内点法来求解.
即在每次选择其的中原子Up为用上Rr一am次-Sc的hm原idt子正正交化交处结理果：，初始Up= 。
我们知道MP与BP算法使用了不同的策略求解模型,我们求解稀疏系数与字典D的选择密不可分，前面我们引用定理我么知道了L1范数最稀疏表示形式时，字典相干参数μ有大小限制。原子都做了归一化处理 =1。转化为基追踪：我们将L1范数替换L0范数之后，稀疏表示模型： min||x||_1 subject to y=Dx 我们这里主要介绍的算法是匹配追踪算法（MP）与正交匹配追踪算法(OMP)。就变成了一个常见的线性规划问题，我们可以用单纯性算法或内点法来求解.

稀疏表示ppt-Michael_Elad

and suppose that we can find a group of J candidate solutions
Why should this help?
How shall we practically find such a set of solutions?
j jJ1
1 2 0 y s.t. 0 L x ˆ arg min D 2 2 ˆ x D ˆ
The vector is the representation (sparse/redundant).
D-y=
or min s.t. D y 2 0 2
稀疏表示pptmichaelelad稀疏表示
MMSE Estimation for Sparse Representation Modeling *
Michael Elad
The Computer Science Department The Technion – Israel Institute of technology Haifa 32000, Israel
The Orthogonal MP (OMP) is an improved version that re-evaluates the coefficients by Least-Squares after each round.
MMSE Estimation for Sparse Representation Modeling By: Michael Elad
D

1
D

2
MMSE Estimation for Sparse Representation Modeling By: Michael Elad

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.。

基于稀疏表示的目标追踪方法

基于稀疏表示的目标追踪方法李俊瑶【摘要】目标追踪作为图像理解重要的一部分,在公安工作中有着广泛的应用.但是对于一些复杂场景,车辆、行人众多、背景多样,传统的目标追踪算法难以达到理想效果.本文概述了稀疏表示基本概念和稀疏编码的方法,对稀疏表示方法在目标追踪领域中重要研究进展进行总结归纳,并展望了稀疏表示方法在目标追踪领域的发展方向.【期刊名称】《科技视界》【年(卷),期】2017(000)029【总页数】3页(P30-32)【关键词】目标识别;目标追踪;稀疏表示;稀疏编码【作者】李俊瑶【作者单位】江苏警官学院刑事科学技术系,江苏南京 211800【正文语种】中文【中图分类】TP391.41随着信息化、大数据的不断深入应用，对可疑人员、车辆等展开目标追踪已经成为侦查工作的一大重要组成部分。

传统的图侦工作主要依靠人工识别实现追踪，耗费大量人力和时间，效率较低。

典型的目标追踪系统主要包括三个部分：（1）目标外观模型——计算目标在特定位置上的相似度；（2）目标运动模型——预估被追踪目标在整个视频序列中的运动状态；（3）追踪搜索策略——搜索当前视频帧中最相似目标的位置。

其中目标外观模型作为目标追踪的基础和关键，其表现力和健壮程度对目标追踪的准确性和稳定性有着决定性的作用。

图像的稀疏表示与人类视觉系统的描述方式很类似[1]，即捕捉图像的结构特征，可以实现图像的有效表示。

而在实际应用中，由于成像机理的不同，目标表现出不同的特征，需要将稀疏表示与具体的应用领域相结合，弥补传统目标检验算法的缺点。

本文简要介绍了稀疏表示的概念，对其在目标追踪中的应用进行总结梳理，并展望其在公安工作中的发展方向。

人类视觉系统的神经元细胞在接收自然图像时，神经元会提取图像的结构特征，即采用稀疏编码原则[2]。

目前，图像的稀疏表示研究主要包括两大方面：单基表示和多基表示。

1.1.1 单基表示图像的单基稀疏表示基于多尺度分析方法，该理论认为图像具有非平稳和非高斯的特性，无法用线性算法进行准确处理，应对图像的几何结构（包括边缘、纹理等）进行建模，主要包括：脊波和曲波等。

基于稀疏表示的目标追踪算法

直接以人脸图像作为原子来构造超完备字典。第二类
的动态系统状态估计问题，它是以蒙特卡洛随机模拟理论为基础，将系统状态后验分布用一组加权粒子表示，新的状态分布通过这些粒子的贝叶斯迭代进化产生，其存在粒子数目的确定和退化问题３Ｊ。
稀疏表达理论近年来在计算机视觉领域发挥着重
方法生成的字典能够抓住图像的几何结构特征，且构造方法可以根据应用需求，更加灵活，因此，选择该类
方法来构造超完备目标字典。
给定ｎ个包含目标的图像模板，我们把它分成ｍ
２０１４年８月湖北第二师范学院 Nhomakorabea学报
ＪｏｕｎａｒｌｏｆＨｕｂｅｉＵｎｉｖｅｒｓｉｔｙｏｆＥｄｕｃａｔｉｏｎ
Ａｕｇ．２０１４Ｖ０１．３１Ｎｏ．８
第３１卷第８期
加而急剧增大，从而降低目标跟踪的效率。核方法
采用了核函数表示目标的颜色特征，当目标和背景的
颜色相同时会出现追踪失败。卡尔曼滤波是有效
的线性最优估计技术，但它只能处理线性和高斯的情
典对图像进行稀疏表示。随后，人们又提出了多种构造超完备字典的方法，这些方法可以归为以下两个类别：第一类方法通过将标准的正交基进行级联来得到

面向多源数据融合的稀疏表示目标跟踪

Sparse Representation Target Tracking via Multi-Source Data Fusion CAO Wenwen1, KANG Bin2, YAN Jun1, DING Wan1
1.College of Telecommunications and Information Engineering, Nanjing University of Posts and Telecommunications, Nanjing 210003, China
1 引言
提取场景中感兴趣的运动目标，给对应于同一目标的像
目标跟踪是对传感器采集到的视频序列进行分析，素区域分配相同的标记，在连续的图像帧之间跟踪各个
基金项目：国家自然科学基金青年基金（No.61801242，No.61771256，No.61771258）；江苏省高校自然科学面上项目（No.17KJD510005）；江苏省自然科学基金青年基金（No.BK20170915）；南京邮电大学孵化项目（No.NY218075）。
Computer Engineering and Applications 计算机工程与应用
பைடு நூலகம்
2019，55（6）
1
⦾热点与综述⦾
面向多源数据融合的稀疏表示目标跟踪
曹雯雯 1，康彬 2，颜俊 1，丁琬 1 1. 南京邮电大学通信与信息工程学院，南京 210003 2. 南京邮电大学物联网学院，南京 210003
作者简介：曹雯雯（1993—），女，硕士研究生，研究领域为智能信号处理,目标跟踪，E-mail：15251897127@；康彬（1985—），男，博士，讲师，研究领域为稀疏表示理论，目标检测以及跟踪等；颜俊（1981—），男，博士，副教授，研究领域为智能信号处理；丁琬（1994—），女，硕士研究生，研究领域为视频跟踪。