本文選題：稀疏表示 + 觀測(cè)模型�。� 參考：《計(jì)算機(jī)工程與應(yīng)用》2017年09期

【摘要】：經(jīng)典稀疏表示目標(biāo)跟蹤算法在處理復(fù)雜視頻時(shí)不免出現(xiàn)跟蹤不穩(wěn)定情況且當(dāng)目標(biāo)發(fā)生遮擋時(shí)易發(fā)生漂移現(xiàn)象。針對(duì)這一問(wèn)題,提出一種基于子區(qū)域匹配的稀疏表示跟蹤算法。首先,將初始目標(biāo)模板劃分為若干子區(qū)域,利用LK圖像配準(zhǔn)算法建立觀測(cè)模型預(yù)測(cè)下一幀目標(biāo)運(yùn)動(dòng)狀態(tài)。然后,對(duì)預(yù)測(cè)的目標(biāo)模型區(qū)域進(jìn)行同等劃分,并在匹配過(guò)程中尋找最優(yōu)子區(qū)域。最后,在模板更新過(guò)程中引入一種新的模板校正機(jī)制,能夠有效克服漂移現(xiàn)象。將該算法與多種目標(biāo)跟蹤算法在不同視頻序列下進(jìn)行對(duì)比,實(shí)驗(yàn)結(jié)果表明在目標(biāo)發(fā)生遮擋、運(yùn)動(dòng)、光照影響及復(fù)雜背景等情況下該算法具有較為理想的跟蹤效果,并與經(jīng)典稀疏表示跟蹤算法相比具有較好的跟蹤性能。
[Abstract]:The classical sparse representation target tracking algorithm can not avoid the instability of the complex video and easy to drift when the target occlude. In this problem, a sparse representation tracking algorithm based on subregion matching is proposed. First, the initial target template is divided into several subregions and the LK image registration is used. An observation model is established to predict the motion state of the next frame of the next frame. Then, the predicted target model area is divided equally and the optimal subregion is found in the matching process. Finally, a new template correction mechanism is introduced in the process of template updating, which can effectively overcome the drift phenomenon. Compared with the video sequence, the experimental results show that the algorithm has an ideal tracking effect in the case of target occlusion, motion, illumination and complex background, and has better tracking performance compared with the classical sparse representation tracking algorithm.

【作者單位】： 遼寧工程技術(shù)大學(xué)軟件學(xué)院;
【基金】：國(guó)家自然科學(xué)基金(No.61172144) 遼寧省科技攻關(guān)計(jì)劃項(xiàng)目(No.2012216026)
【分類號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李映;張艷寧;許星;;基于信號(hào)稀疏表示的形態(tài)成分分析:進(jìn)展和展望[J];電子學(xué)報(bào);2009年01期

2 趙瑞珍;王飛;羅阿理;張彥霞;;基于稀疏表示的譜線自動(dòng)提取方法[J];光譜學(xué)與光譜分析;2009年07期

3 楊蜀秦;寧紀(jì)鋒;何東健;;基于稀疏表示的大米品種識(shí)別[J];農(nóng)業(yè)工程學(xué)報(bào);2011年03期

4 史加榮;楊威;魏宗田;;基于非負(fù)稀疏表示的人臉識(shí)別[J];計(jì)算機(jī)工程與設(shè)計(jì);2012年05期

5 高志榮;熊承義;笪邦友;;改進(jìn)的基于殘差加權(quán)的稀疏表示人臉識(shí)別[J];中南民族大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年03期

6 朱杰;楊萬(wàn)扣;唐振民;;基于字典學(xué)習(xí)的核稀疏表示人臉識(shí)別方法[J];模式識(shí)別與人工智能;2012年05期

7 張疆勤;廖海斌;李原;;基于因子分析與稀疏表示的多姿態(tài)人臉識(shí)別[J];計(jì)算機(jī)工程與應(yīng)用;2013年05期

8 李正周;王會(huì)改;劉梅;丁浩;金鋼;;基于形態(tài)成分稀疏表示的紅外小弱目標(biāo)檢測(cè)[J];彈箭與制導(dǎo)學(xué)報(bào);2013年04期

9 胡正平;趙淑歡;李靜;;基于塊稀疏遞推殘差分析的稀疏表示遮擋魯棒識(shí)別算法研究[J];模式識(shí)別與人工智能;2014年01期

10 陳思寶;趙令;羅斌;;局部保持的稀疏表示字典學(xué)習(xí)[J];華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年01期

相關(guān)會(huì)議論文 前1條

1 樊亞翔;孫浩;周石琳;鄒煥新;;基于元樣本稀疏表示的多視角目標(biāo)識(shí)別[A];2013年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第五分冊(cè)）[C];2013年

相關(guān)博士學(xué)位論文 前10條

1 李進(jìn)明;基于稀疏表示的圖像超分辨率重建方法研究[D];重慶大學(xué);2015年

2 姚明海;視頻異常事件檢測(cè)與認(rèn)證方法研究[D];東北師范大學(xué);2015年

3 王瑾;基于稀疏表示的數(shù)據(jù)收集、復(fù)原與壓縮研究[D];北京工業(yè)大學(xué);2015年

4 薛明;基于稀疏表示的在線目標(biāo)跟蹤研究[D];上海交通大學(xué);2014年

5 程廣濤;基于壓縮感知的人臉識(shí)別方法研究[D];天津大學(xué);2015年

6 黃丹丹;基于稀疏表示的視覺(jué)目標(biāo)跟蹤方法研究[D];大連理工大學(xué);2016年

7 趙淑歡;欠完備采樣環(huán)境下面向數(shù)據(jù)的稀疏表示人臉識(shí)別研究[D];燕山大學(xué);2016年

8 劉海倉(cāng);基于稀疏表示的圖像超分辨率與目標(biāo)跟蹤方法研究[D];湖南大學(xué);2015年

9 項(xiàng)鳳濤;基于稀疏表示與優(yōu)化的圖像信息處理方法及應(yīng)用[D];國(guó)防科學(xué)技術(shù)大學(xué);2014年

10 劉兆棟;基于稀疏表示理論的圖像去噪與融合算法研究[D];重慶大學(xué);2016年

相關(guān)碩士學(xué)位論文 前10條

1 王道文;基于稀疏表示的目標(biāo)跟蹤算法研究[D];華南理工大學(xué);2015年

2 孫雪青;Shearlet變換和稀疏表示相結(jié)合的甲狀腺結(jié)節(jié)圖像融合[D];河北大學(xué);2015年

3 吳麗璇;基于稀疏表示的微聚焦X射線圖像去噪方法[D];華南理工大學(xué);2015年

4 趙孝磊;基于圖像分塊稀疏表示的人臉識(shí)別算法研究[D];南京信息工程大學(xué);2015年

5 黃志明;基于辨別式稀疏字典學(xué)習(xí)的視覺(jué)追蹤算法研究[D];華南理工大學(xué);2015年

6 張鈴華;非約束環(huán)境下的稀疏表示人臉識(shí)別算法研究[D];南京信息工程大學(xué);2015年

7 應(yīng)艷麗;基于低秩稀疏表示的目標(biāo)跟蹤算法研究[D];西南交通大學(xué);2015年

8 梁曉捷;基于網(wǎng)絡(luò)攝像頭與稀疏表示分類法的實(shí)時(shí)人臉識(shí)別系統(tǒng)應(yīng)用研究[D];五邑大學(xué);2015年

9 陳蒙;基于稀疏表示特征的人臉識(shí)別方法研究[D];深圳大學(xué);2015年

10 袁文;基于稀疏表示的行人檢測(cè)方法研究[D];南京理工大學(xué);2015年

，

本文編號(hào)：1807936