论文部分内容阅读
视频目标跟踪是计算机视觉研究的重要方向之一，在智能交通系统、人机交互、机器人导航和智能视频检索等领域有着广泛的应用。然而，由于复杂背景、遮挡、光照变化等诸多因素的影响，使传统跟踪算法难以同时满足稳定性和实时性的双重要求。 为了克服以上困难，本文针对提高跟踪稳定性和实时性问题进行了系统的探讨和研究，将动态压缩感知理论框架应用到目标跟踪中来，取得的主要成果有: 1.提出了一种利用信号的观测值进行稀疏度估计的方法，并将估计出来的稀疏度作为传统压缩感知重建算法的输入，提出稀疏度和步长自适应正则化匹配追踪算法。实验表明:该算法在同样的条件下，具有更高的重建概率和需要更少的观测次数。 2.采用克罗内克积的方法直接对高维特征进行压缩观测，在经典克罗内克压缩感知（Kronecker Compressed Sensing，KCS）的基础上进一步采用更稀疏的观测矩阵，提出改进的克罗内克压缩感知(Improved Kronecker CompressedSensing，IKCS)算法，该方法在同等条件下比KCS具有更大的压缩比。采用Gabor小波基矩阵和随机高斯矩阵组成一个混合观测矩阵，将此观测矩阵应用到IKCS算法中提出混合观测基克罗内克压缩感知算法。实验结果表明:在不同的压缩比下，与KCS及传统的压缩感知重建算法相比，该算法在信号重建时都具有更好的峰值信噪比(Peak Signal-to-Noise Ratio，PSNR)。 3.采用提取视频目标更高维Gabor特征的方法来提高跟踪的稳定性，采用一种更为稀疏的自适应观测矩阵对提取的高维特征进行压缩降维以提高视频目标跟踪的实时性。实验结果表明:本文提出的视频目标跟踪算法在稳定性和实时性方面都比之前的算法有所提高。