稀疏表示、目标跟踪
合集下载
相关主题
- 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)。
T J { j : | r | t } k k 1 k k
更新候选集：
C k Fk 1 D J k
更新支撑集：
Fk Max(| DT y |, Sk )
重构与残差计算：
xk DF y k
rk y T Fk xk
3.基于稀疏度自适应的图像重构算法
改进算法流程图：
提取目标 初始化字 典 建立稀疏表 示模型 是否 遮挡
N
稀疏系数
重构残差
Y
遮挡稀释学 习和建立遮 挡模型 实现跟踪 字典更新
更新稀疏表 示模型
粒子滤波跟 踪
估计目标
5.基于L1跟踪的遮挡目标快速重构算法
经典稀疏表示模型：
min || z ||1 || e ||1 st.x Dz e
4.基于Gabor字典的稀疏表示跟踪算法
目标的Gabor特征由目标图像的灰度值和Gabor特征字典 生成函数卷积得到，即：
ou,v ( z) | I ( z)* u,v ( z) |
ou ,v ( z) 上式中，尺度参数 u [0,1,, 2,3, 4] 和方向参数v [0,1,2,3,4,5,6,7] ， 是目标图像在 u , v 下通过Gabor滤波提取的特征。卷积计 算为：
StOPM 改进算法 28.342 22.022 28.842 21.982
aircraft图像 ship图像
不同算法在相同采样率下0.5的重构时间t（s）:
不同算法 图像 时间t
BP 27.0326 40.9264
OMP 2.0326 4.0326
Baidu Nhomakorabea
StOPM 改进算法 0.8325 1.0252 0.3562 0.6253
4.基于Gabor字典的稀疏表示跟踪算法
构造Gabor字典采用如下生成函数：
u ,v ( z )
|| ku ,v ||
2 ||ku ,v ||2 || z||2
2
e
2 2
(e
jku ,v
e /2 )
2
u、 v z ( x, y ) 是像素位置参数， 式中， 分别表示Gabor特征字 典生成函数的方向参数和尺度参数。
L1跟踪算法
0.07
0.10
0.13
0.15
0.37
5.基于L1跟踪的遮挡目标快速重构算法
两种算法对视频“coke”的DER值
不同帧 算法 DER 第32帧 第43帧 第66帧 第190帧 第278帧
改进算法
0.05
0.07
0.12
0.16
0.20
L1跟踪算法
0.10
0.13
0.15
0.37
1.25
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
L1的稀疏表示模型：
a y [T , I , I ] e Dc, s.t. c 0 e
5.基于L1跟踪的遮挡目标快速重构算法
改进后的稀疏表示模型：
min || z ||1 || e ||1 st.x Dz e
( m ,l )E
wml || em el ||1
5.基于L1跟踪的遮挡目标快速重构算法
两种算法对视频“aircraft”的DER 值 不同帧
算法 DER 第196帧 第297帧 第323帧 第335帧 第358帧 改进算法 0.05 0.05 0.07 0.12 0.16
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
仿射变换
候选目标
Gabor特征 提取
Gabor特征 字典
稀疏表示
粒子滤波 跟踪
计算残差
字典更新
确认目标
4.基于Gabor字典的稀疏表示跟踪算法
该算法主要分为三个阶段： 初始化阶段：建立Gabor特征字典。 跟踪阶段：确认目标。 字典更新阶段：Gabor特征字典更新。
4.基于Gabor字典的稀疏表示跟踪算法
3.基于稀疏度自适应的图像重构算法
传统的信号重构过程：
编 码 端 解 码 端 信 号 采样 变换、压缩编码
Y
接收数据 解压缩、反变换
恢复信号
Y
X
压缩感知信号重构过程：
编 码 端 解 码 端 稀疏信号 测量编码
Y
接收数据 解码重构
恢复信号
Y
X
3.基于稀疏度自适应的图像重构算法
重构算法作为压缩感知中最为重要的一部分，对于压缩 感知的在实际中的应用有着很大的影响。目前重构算法主 要包括了三大类： (1)松弛优化算法 (2)贪婪跟踪算法
目标跟踪是计算机视觉研究领域的一个热门研究方向， 并被广泛应用于多个领域，比如智能导航、视频安全监 控以及武器制造等。
遮挡一直是目标跟踪中的一个难点。有效地的处理遮挡 问题是实现运动目标跟踪的关键问题之一。
1.课题背景和研究意义
近几年，受到基于稀疏表示的人脸识别方法的启发，稀 疏表示在目标跟踪中也逐渐获得了应用。
下面为采样率为0.5时，不同算法对灰度图aircraft和ship的 重构结果：
原始图像
BP算法
OMP算法
StOMP算法
改进算法
3.基于稀疏度自适应的图像重构算法
不同算法在相同采样率0.5下的PSNR（db）值:
不同算法 图像 PSNR
BP 35.436 28.326
OMP 30.842 24.036
aircraft图像 ship图像
4.基于Gabor字典的稀疏表示跟踪算法
在目标跟踪过程中，光照变化和目标姿态变化都严重影响 着跟踪效果，一个好的跟踪算法应在这两种情况下都具有 良好的鲁棒性。
Gabor小波与人类视觉系统中简单细胞的刺激响应相似， 它在提取目标的局部空间特征和频域信息方面具有很好的 特性，而且对于光照变化不敏感。
2015年5月21日
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
基于稀疏表示的目标跟踪算法的先验条件并不是在所有 情况下均会成立，尤其是在严重遮挡时。
2.稀疏表示理论
稀疏表示模型：
Min x
0
s.t. y Dx
y
D
x
=
2.稀疏表示理论
针对稀疏表示模型，目前面临三个问题： 1) 如何求得最稀疏的系数 2) 如何构造有效的稀疏表示字典 3) 如何将稀疏表示应用于图像处理中
(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：
能源科学与工程学院
基于稀疏表示的遮挡目标 快速重构算法研究
答辩人：冷佳旭 导 师：陈 勇 副教授
2015年5月21日
目录
1 课题背景和研究意义
2 稀疏表示理论 3 基于稀疏度自适应的图像重构算法 4 基于Gabor字典的稀疏表示跟踪算法 5 基于L1跟踪的遮挡目标快速重构算法
1.课题背景和研究意义
更新候选集：
C k Fk 1 D J k
更新支撑集：
Fk Max(| DT y |, Sk )
重构与残差计算：
xk DF y k
rk y T Fk xk
3.基于稀疏度自适应的图像重构算法
改进算法流程图：
提取目标 初始化字 典 建立稀疏表 示模型 是否 遮挡
N
稀疏系数
重构残差
Y
遮挡稀释学 习和建立遮 挡模型 实现跟踪 字典更新
更新稀疏表 示模型
粒子滤波跟 踪
估计目标
5.基于L1跟踪的遮挡目标快速重构算法
经典稀疏表示模型：
min || z ||1 || e ||1 st.x Dz e
4.基于Gabor字典的稀疏表示跟踪算法
目标的Gabor特征由目标图像的灰度值和Gabor特征字典 生成函数卷积得到，即：
ou,v ( z) | I ( z)* u,v ( z) |
ou ,v ( z) 上式中，尺度参数 u [0,1,, 2,3, 4] 和方向参数v [0,1,2,3,4,5,6,7] ， 是目标图像在 u , v 下通过Gabor滤波提取的特征。卷积计 算为：
StOPM 改进算法 28.342 22.022 28.842 21.982
aircraft图像 ship图像
不同算法在相同采样率下0.5的重构时间t（s）:
不同算法 图像 时间t
BP 27.0326 40.9264
OMP 2.0326 4.0326
Baidu Nhomakorabea
StOPM 改进算法 0.8325 1.0252 0.3562 0.6253
4.基于Gabor字典的稀疏表示跟踪算法
构造Gabor字典采用如下生成函数：
u ,v ( z )
|| ku ,v ||
2 ||ku ,v ||2 || z||2
2
e
2 2
(e
jku ,v
e /2 )
2
u、 v z ( x, y ) 是像素位置参数， 式中， 分别表示Gabor特征字 典生成函数的方向参数和尺度参数。
L1跟踪算法
0.07
0.10
0.13
0.15
0.37
5.基于L1跟踪的遮挡目标快速重构算法
两种算法对视频“coke”的DER值
不同帧 算法 DER 第32帧 第43帧 第66帧 第190帧 第278帧
改进算法
0.05
0.07
0.12
0.16
0.20
L1跟踪算法
0.10
0.13
0.15
0.37
1.25
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
L1的稀疏表示模型：
a y [T , I , I ] e Dc, s.t. c 0 e
5.基于L1跟踪的遮挡目标快速重构算法
改进后的稀疏表示模型：
min || z ||1 || e ||1 st.x Dz e
( m ,l )E
wml || em el ||1
5.基于L1跟踪的遮挡目标快速重构算法
两种算法对视频“aircraft”的DER 值 不同帧
算法 DER 第196帧 第297帧 第323帧 第335帧 第358帧 改进算法 0.05 0.05 0.07 0.12 0.16
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
仿射变换
候选目标
Gabor特征 提取
Gabor特征 字典
稀疏表示
粒子滤波 跟踪
计算残差
字典更新
确认目标
4.基于Gabor字典的稀疏表示跟踪算法
该算法主要分为三个阶段： 初始化阶段：建立Gabor特征字典。 跟踪阶段：确认目标。 字典更新阶段：Gabor特征字典更新。
4.基于Gabor字典的稀疏表示跟踪算法
3.基于稀疏度自适应的图像重构算法
传统的信号重构过程：
编 码 端 解 码 端 信 号 采样 变换、压缩编码
Y
接收数据 解压缩、反变换
恢复信号
Y
X
压缩感知信号重构过程：
编 码 端 解 码 端 稀疏信号 测量编码
Y
接收数据 解码重构
恢复信号
Y
X
3.基于稀疏度自适应的图像重构算法
重构算法作为压缩感知中最为重要的一部分，对于压缩 感知的在实际中的应用有着很大的影响。目前重构算法主 要包括了三大类： (1)松弛优化算法 (2)贪婪跟踪算法
目标跟踪是计算机视觉研究领域的一个热门研究方向， 并被广泛应用于多个领域，比如智能导航、视频安全监 控以及武器制造等。
遮挡一直是目标跟踪中的一个难点。有效地的处理遮挡 问题是实现运动目标跟踪的关键问题之一。
1.课题背景和研究意义
近几年，受到基于稀疏表示的人脸识别方法的启发，稀 疏表示在目标跟踪中也逐渐获得了应用。
下面为采样率为0.5时，不同算法对灰度图aircraft和ship的 重构结果：
原始图像
BP算法
OMP算法
StOMP算法
改进算法
3.基于稀疏度自适应的图像重构算法
不同算法在相同采样率0.5下的PSNR（db）值:
不同算法 图像 PSNR
BP 35.436 28.326
OMP 30.842 24.036
aircraft图像 ship图像
4.基于Gabor字典的稀疏表示跟踪算法
在目标跟踪过程中，光照变化和目标姿态变化都严重影响 着跟踪效果，一个好的跟踪算法应在这两种情况下都具有 良好的鲁棒性。
Gabor小波与人类视觉系统中简单细胞的刺激响应相似， 它在提取目标的局部空间特征和频域信息方面具有很好的 特性，而且对于光照变化不敏感。
2015年5月21日
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
基于稀疏表示的目标跟踪算法的先验条件并不是在所有 情况下均会成立，尤其是在严重遮挡时。
2.稀疏表示理论
稀疏表示模型：
Min x
0
s.t. y Dx
y
D
x
=
2.稀疏表示理论
针对稀疏表示模型，目前面临三个问题： 1) 如何求得最稀疏的系数 2) 如何构造有效的稀疏表示字典 3) 如何将稀疏表示应用于图像处理中
(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：
能源科学与工程学院
基于稀疏表示的遮挡目标 快速重构算法研究
答辩人：冷佳旭 导 师：陈 勇 副教授
2015年5月21日
目录
1 课题背景和研究意义
2 稀疏表示理论 3 基于稀疏度自适应的图像重构算法 4 基于Gabor字典的稀疏表示跟踪算法 5 基于L1跟踪的遮挡目标快速重构算法
1.课题背景和研究意义