论文部分内容阅读
视频目标跟踪是计算机视觉领域中的重要研究方向之一,主要应用在视频监控、智能交通、人机交互、工业控制、医学及军事等众多领域。跟踪算法是整个目标跟踪系统的核心,直接影响到跟踪过程中的鲁棒性、准确性以及实时性。随着压缩感知理论的发展,稀疏表示作为其中的一个重要分支受到了广泛的关注。现有的基于稀疏表示的目标跟踪算法主要是在粒子滤波框架下的L1-跟踪算法的基础上发展起来的,能够处理遮挡、目标物体的形变以及背景、光照变化等一些目标跟踪领域具有挑战性的难题,但L1-跟踪算法的主要缺点是实时性差,本文针对该问题深入研究了L1-跟踪算法涉及的理论及其优化算法,对L1-跟踪算法进行了一下两大方面的改进:第一、影响L1-跟踪算法的效率的一个主要原因是正负小模板的维数巨大,导致稀疏计算次数线性增加,本文运用Haar-like特征思想与特征块的思想对完备基进行重新构造,将正负小模板由单个像素改为像素块,减少稀疏表示中过完备基的维数,大幅减少稀疏计算的计算量。同时影响L1-跟踪算法实时性的一个原因是候选模板数量直接影响到稀疏的次数,本文在保证鲁棒性的前提下适当减少了目标模板数量,从而减少稀疏计算的次数。第二、通过稀疏系数进一步控制模板更新频率,进而提高了跟踪的抗遮挡能力和实时性。本文算法通过对公开的视频片段和自己拍摄的测试视频进行测试,并和现有的最新的五种跟踪算法作了跟踪效率与跟踪质量等方面的对比。实验结果表明,本文算法能大幅提高跟踪的实时性,且能有效地解决跟踪问题中的短时间遮挡、目标物体的形变以及光照变化等问题。