視覺追蹤是計(jì)算機(jī)視覺領(lǐng)域中的一個重要研究方向,廣泛應(yīng)用于人機(jī)交互、工業(yè)機(jī)器人、視頻監(jiān)控、智能交通等領(lǐng)域。隨著人工智能的發(fā)展和視頻設(shè)備的普及,對視覺追蹤的研究變得日益重要。雖然現(xiàn)在視覺追蹤技術(shù)層出不窮,但視覺追蹤任務(wù)仍面臨著很大挑戰(zhàn),如運(yùn)動模糊、姿勢變化、光照變化、遮擋和背景混淆等,這些挑戰(zhàn)使追蹤任務(wù)變得困難。近年來以稀疏表達(dá)理論為基礎(chǔ)的視覺追蹤算法取得了顯著的成果,這類算法使用模板對目標(biāo)進(jìn)行建模,假設(shè)被追蹤的目標(biāo)能夠由模板組成的字典矩陣稀疏表示,并選取重構(gòu)誤差最小的候選樣本作為追蹤到的結(jié)果。這類算法的關(guān)鍵在于如何設(shè)計(jì)有效的稀疏表達(dá)模型和將稀疏表達(dá)理論與視覺追蹤的先驗(yàn)知識更好地結(jié)合起來。本文的具體研究和創(chuàng)新主要是在對稀疏表達(dá)模型的研究和視覺追蹤先驗(yàn)知識的利用上展開:1.本文提出一種基于跡套索的逆稀疏表達(dá)模型。該模型使用從當(dāng)前幀采樣得到的候選樣本作為字典矩陣,并使用模板作為表達(dá)的目標(biāo),有效地減少算法的計(jì)算負(fù)擔(dān),加快算法的追蹤速度;該模型使用跡套索作為表達(dá)向量的正則,跡套索可以根據(jù)候選樣本之間的相似關(guān)系自適應(yīng)地選擇不同的約束,有效地利用了候選樣本字典矩陣的低秩信息,使得稀疏模型能夠求解出自適... 

【文章來源】：重慶郵電大學(xué)重慶市

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【部分圖文】：

視覺追蹤框架圖

重慶郵電大學(xué)碩士學(xué)位論文第2章稀疏表達(dá)視覺追蹤模型研究11第2章稀疏表達(dá)視覺追蹤模型研究在信號和信號處理領(lǐng)域，信號的“簡單性”一直受到大家的高度重視。從信息論的角度來看，如果信號具有某種結(jié)構(gòu)，或者是稀疏的，或可以用某個確定模型來表示，這樣的信號可以被稱為“簡單”信號。簡單信號的性質(zhì)通常表現(xiàn)為低秩性，低熵性和稀疏性[38]。稀疏表達(dá)作為對信號“簡單性”的描述，是近幾年研究人員研究的熱點(diǎn)。生物學(xué)家的研究[39]發(fā)現(xiàn)，人類在感知視覺信息時，大腦視皮層V1區(qū)只有少量的神經(jīng)元被激活，絕大多數(shù)神經(jīng)元都處于未激活狀態(tài)，這表明了視覺信息可以用少量神經(jīng)元進(jìn)行稀疏表示。受此啟發(fā)，研究者們將信號稀疏表達(dá)理論應(yīng)用到了計(jì)算機(jī)視覺領(lǐng)域，并得到了廣泛應(yīng)用�，F(xiàn)在，稀疏表達(dá)理論已廣泛應(yīng)用于人臉識別[27]、圖像超分辨率重構(gòu)[40]、圖像去噪和視覺追蹤[28]等計(jì)算機(jī)視覺領(lǐng)域。稀疏表達(dá)可以獲取圖像中的關(guān)鍵特征信息和主要特征信息，并消除圖像中冗余信息的干擾，降低存儲量和計(jì)算量，有利于進(jìn)一步的圖像分析和處理。因此，圖像稀疏表達(dá)這一技術(shù)在計(jì)算機(jī)視覺領(lǐng)域收到了研究人員的廣泛關(guān)注。2.1稀疏表達(dá)理論圖2.1稀疏表達(dá)模型示意圖

重慶郵電大學(xué)碩士學(xué)位論文第2章稀疏表達(dá)視覺追蹤模型研究20追蹤目標(biāo)模板，12[,,,]nZzzz表示由樣本觀測值在模板矩陣上的表達(dá)向量組成的矩陣，其中模板系數(shù)矩陣Z的每一列iz都表示在無噪音情況下對應(yīng)的樣本觀測值ix在模板矩陣上的表達(dá)，即iixDz。關(guān)于基于多任務(wù)的稀疏表達(dá)視覺追蹤模型的符號定義的更多細(xì)節(jié)可見表2.2。表2.2基于多任務(wù)的稀疏表達(dá)視覺追蹤模型符號定義符號定義id第i個模板D由模板組成的模板集jx第j個候選樣本對應(yīng)的觀測值X由候選樣本觀測值組成的候選樣本集jz第j個候選樣本在模板集上的表達(dá)Z由各個候選樣本的表達(dá)組成的表達(dá)矩陣I瑣碎模板，單位矩陣E候選樣本集X在瑣碎模板I上的表達(dá)矩陣基于多任務(wù)的稀疏表達(dá)視覺追蹤算法以候選樣本觀測值矩陣X作為要表達(dá)的目標(biāo)，以追蹤目標(biāo)模板矩陣和單位矩陣為字典B，表達(dá)模型[32]如下：[]ZXDIBCE(2.22)式中，I——瑣碎模板，單位矩陣E——噪音表達(dá)向量矩陣模板表達(dá)向量矩陣Z與噪音表達(dá)向量矩陣E一起組成了表達(dá)向量矩陣C。基于多任務(wù)的稀疏表達(dá)模型的說明說明如圖2.3所示。(a)(b)(c)圖2.3基于多任務(wù)的稀疏表達(dá)視覺模型說明圖(a)由從當(dāng)前幀采樣得到的候選樣本組成的候選樣本矩陣；(b)由正面模板集和單位矩陣組成的字典矩陣；(c)由候選樣本的表達(dá)構(gòu)成的表達(dá)矩陣。

【參考文獻(xiàn)】：
期刊論文
[1]基于稀疏表示的視頻目標(biāo)跟蹤研究綜述[J]. 黃宏圖,畢篤彥,侯志強(qiáng),胡長城,高山,查宇飛,庫濤.  自動化學(xué)報(bào). 2018(10)
[2]目標(biāo)跟蹤算法綜述[J]. 盧湖川,李佩霞,王棟.  模式識別與人工智能. 2018(01)
[3]基于神經(jīng)網(wǎng)絡(luò)的機(jī)器人手眼無標(biāo)定平面視覺跟蹤[J]. 潘且魯,蘇劍波,席裕庚.  自動化學(xué)報(bào). 2001(02)
[4]紅外探測陣列對固體導(dǎo)彈尾焰跟蹤定位的研究[J]. 趙久奮,王明海.  固體火箭技術(shù). 2000(04)



本文編號：3348074