稀疏表示目标跟踪.pptVIP

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.基于稀疏度自适应的图像重构算法 传统的信号重构过程： 压缩感知信号重构过程： 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 (3)组合优化算法 3.基于稀疏度自适应的图像重构算法 3.基于稀疏度自适应的图像重构算法 改进算法流程图： 3.基于稀疏度自适应的图像重构算法 匹配滤波： 更新候选集： 更新支撑集： 重构与残差计算： 3.基于稀疏度自适应的图像重构算法 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: 不同算法在相同采样率下0.5的重构时间t（s）: 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。 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： 式中， 是像素位置参数， 、 分别表示Gabor特征字典生成函数的方向参数和尺度参数。 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： 上式中，尺度参数 和方向参数 ， 是目标图像在 下通过Gabor滤波提取的特征。卷积计算为： 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： 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 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 5.基于L1跟踪的遮挡目标快速重构算法 改进算法流程图： 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： 5.基于L1跟踪的遮挡目标快速重构算法 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 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] 稀疏度自适应信号重构方法. 中国发明专利，201410658642.0（学生一作） [2] 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） [3] 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） [4] 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） [5] 横向项目：攀枝花供电局三维变电站 [6] 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 2015年5月21日 基于稀疏表