【精选】FCT_PPT.pdf

Fast Compressive Tracking Kaihua Zhang, Lei Zhang, and Ming-Hsuan Yang （published in IEEE TPAMI 2014） 罗衡 2015.4.17 压缩感 知理论 压缩感知的核心内容  信号的稀疏表示  测量矩阵的设计  信号的重构恢复  y=Φx ——x为N维原始信号，Φ为M*N阶测量矩阵，y为M维观测向量；  x=Ψs —— Ψ为N*N阶正交的稀疏基矩阵，s为x 的N阶稀疏系数向量(K个非零元素) ；  Θ=ΦΨ—— Θ为感知矩阵；  维度关系：KMN 压缩感 知理论  JL引理 m n m ∀ 0ε1, ∃一种映射f ：R →R (mn)，使得对所有的u,v∈R 有：  约束等距性质 （Restricted Isometry Property, RIP）  华裔数学家陶哲轩等人在2005年证明了传感矩阵Θ必须满足RIP条 件，且独立同分布的高斯随机测量矩阵能以较大概率满足RIP ，可以 作为普适的压缩感知测量矩阵Φ  Baraniuk等人在2008年证明了RIP等价于测量矩阵Φ和稀疏基矩阵 Ψ不相关  测量矩阵的性质 RIP保证了测量矩阵不会把两个不同的K-稀疏信号映射到同一个集合中 去 ，即保证了原空间到稀疏空间的一一映射关系 随机 投 影矩 阵  矩阵构成 6 10 矩阵元素 rij 取值满足下述条件。若取n=50，m= 10 ~10 ，ρ矩阵R每 行非零元素最多只有4个，且分布非常稀疏  理论依据  Dimitris已经证明s= 1或3时，矩阵R满足JR 引理  Ping Li等人证明当s=m/log10m时，该矩阵几乎与高斯随机测量矩 阵性质相同，此时矩阵R近似满足JR 引理 Tracking by Detection 判别式跟踪算法 二分类问题 （目标vs背景 ）  第1帧中，根据人工标定的目标初始化分类器  第n-1帧中，在上一帧目标位置附近收集若干样本，分别计算分类器对其 的响应值，取最大值对应的样本作为新的目标位置，再根据此目标位置 再收集若干正/负样本训练并更新分类器参数  第n+1帧中，重复第n帧的操作 ··· 第1帧 第n帧 压缩跟踪 算法基 本流程 Sampling for Detection  粗采样 以上一帧目标中心位置为圆心(红点) ，半径r =25画圆，在圆内以搜索步 c 长Δc=4采集待检测样本，特征提取压缩降维后分别计算分类器得分  细采样 以分类器得分最高的位置为新的圆心(绿点) ，以半径r =10画圆，在圆内 f 以搜索步长Δc=1采集待检测样本，将分类器得分最高的位置作为目标最终确 信的位置（蓝点） Multiscale Filters  目的 描述目标的特征以及尺度不变特性  操作 将每一个样本图像与一系列多尺度 高