稀疏表示目标关联

格式：docx
大小：34.46 KB
文档页数：14

下载文档原格式

稀疏表示、目标跟踪

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] [2] [3] [4] [5] [6] 稀疏度自适应信号重构方法. 中国发明专利，201410658642.0（学生一作）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）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）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）横向项目：攀枝花供电局三维变电站纵向项目：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
I ( z )* u ,v ( z )
a b
I (a, b)
u ,v
( x a, y b)
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：
视频序列
初始化模板
(3)组合优化算法
3.基于稀疏度自适应的图像重构算法
分段正交匹配跟踪算法（stage-wise OMP）:
3.基于稀疏度自适应的图像重构算法
改进算法流程图：
输入图像初始残差匹配滤波建立候选集
步长更新
否
残差是否衰减是
建立支撑集
重构图像
重构残差
3.基于稀疏度自适应的图像重构算法
匹配滤波：
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

基于多信息字典学习及稀疏表示的SAR目标识别

基于多信息字典学习及稀疏表示的SAR目标识别齐会娇;王英华;丁军;刘宏伟【摘要】为了提高合成孔径雷达(synthetic aperture radar,SAR)图像中目标变体的识别性能,在鉴别字典学习及联合动态稀疏表示模型的基础上,提出一种基于多信息字典学习及稀疏表示的SAR目标识别方法.在训练阶段,采用鉴别字典学习LC-KSVD方法分别对目标图像域幅度信息及目标频域幅度信息进行字典学习.在测试阶段,结合训练阶段学到的2种信息的字典及测试目标的2种信息,采用联合动态稀疏表示模型求解2种信息下的稀疏表示系数.最后,根据2种信息下的重构误差实现对测试目标的识别.使用MSTAR数据集对算法进行验证,结果表明,新方法相对于现有的方法能够达到更好的识别性能.【期刊名称】《系统工程与电子技术》【年(卷),期】2015(037)006【总页数】8页(P1280-1287)【关键词】合成孔径雷达;目标识别;字典学习;联合动态稀疏表示【作者】齐会娇;王英华;丁军;刘宏伟【作者单位】西安电子科技大学雷达信号处理国家重点实验室,陕西西安710071;西安电子科技大学雷达信号处理国家重点实验室,陕西西安710071;西安电子科技大学雷达信号处理国家重点实验室,陕西西安710071;西安电子科技大学雷达信号处理国家重点实验室,陕西西安710071【正文语种】中文【中图分类】TP95随着合成孔径雷达（synthetic aperture radar，SAR）成像技术的发展，实际中已经可以获取大量的SAR数据。

基于SAR图像的自动目标识别是从SAR数据中获取信息的一个重要方面，尤其在军事领域具有重要的应用价值。

而在实际中，即使属于同一类别的2个不同目标之间的配置、结构等方面也会存在一定的差异，则将其中的一个目标称为另一目标的变体。

SAR目标变体识别的难点在于训练数据永远无法表示真实世界中的所有情况，实际中不可能得到目标所有状态或者配置下的训练样本。

基于局部稀疏表示的目标跟踪算法

基于局部稀疏表示的目标跟踪算法把萍;蒋建国;齐美彬;陆磊;高灿【摘要】根据局部稀疏表示的特点,文章提出了一种基于局部稀疏表示的目标跟踪算法,该算法利用图像的局部稀疏系数作为训练样本,在贝叶斯分类器的框架下完成跟踪任务.首先,使用字典来提取局部图像块的稀疏系数,作为图像特征;然后通过训练简单的贝叶斯分类器来区分目标与背景;最后使用两步搜索策略对目标进行准确跟踪;此外,该算法还使用了一种能够去除遮挡干扰的鲁棒性更新策略.对比实验结果表明,该算法具有较为稳定的跟踪效果.【期刊名称】《合肥工业大学学报（自然科学版）》【年(卷),期】2019(042)004【总页数】7页(P479-485)【关键词】局部稀疏表示;贝叶斯分类器;两步搜索策略;更新策略【作者】把萍;蒋建国;齐美彬;陆磊;高灿【作者单位】合肥工业大学计算机与信息学院,安徽合肥 230601;合肥工业大学计算机与信息学院,安徽合肥 230601;合肥工业大学安全关键工业测控技术教育部工程研究中心,安徽合肥230601;合肥工业大学计算机与信息学院,安徽合肥 230601;合肥工业大学安全关键工业测控技术教育部工程研究中心,安徽合肥230601;合肥工业大学计算机与信息学院,安徽合肥 230601;合肥工业大学计算机与信息学院,安徽合肥 230601【正文语种】中文【中图分类】TP317.4引言人类获取周围环境信息主要来自视觉、听觉及嗅觉3个部分,其中通过视觉获得的视觉信息量最多。

随着社会正在进入信息时代和计算机技术的发展,计算机视觉应运而生[1]。

在计算机视觉领域中,目标跟踪一直是热门的研究方向，它广泛应用于视频监控、行为识别、人机交互等领域。

由于在跟踪场景中存在着光照、姿态变化及遮挡等干扰因素,因此如何提高跟踪方法的鲁棒性仍然是一个难题。

目标跟踪算法可以分为判别式跟踪算法[2-5]和生成式跟踪算法[6-8]2个大类。

判别式跟踪算法将跟踪问题看作一个二分类问题,选择合适的分类器,对候选目标进行分类,从而得到目标的准确位置。

稀疏编码与稀疏表示的区别与联系

稀疏编码与稀疏表示的区别与联系稀疏编码与稀疏表示是机器学习领域中常用的技术，它们在数据处理和特征提取方面起到了重要的作用。

虽然它们有一些相似之处，但在实际应用中也存在一些区别和联系。

首先，稀疏编码和稀疏表示都是为了处理高维数据而提出的方法。

在高维数据中，往往存在大量冗余和噪声，这给数据处理带来了困难。

稀疏编码和稀疏表示通过压缩数据，提取出其中的有用信息，从而减少冗余和噪声的影响。

稀疏编码是一种数据压缩技术，它通过找到一组基向量，将原始数据表示为这些基向量的线性组合。

与传统的基向量表示不同，稀疏编码要求线性组合的系数是稀疏的，即大部分系数为零。

这样可以有效地减少数据的维度，提取出数据中最重要的特征。

稀疏编码的关键在于如何选择合适的基向量和稀疏表示的方法。

常见的稀疏表示方法包括L1正则化、L0范数和基于字典学习的方法。

通过这些方法，可以将原始数据表示为一个稀疏向量，其中只有少数几个系数是非零的。

稀疏表示是一种特征提取技术，它通过选择一组最能代表原始数据的基向量，将数据表示为这些基向量的线性组合。

与稀疏编码不同的是，稀疏表示不要求线性组合的系数是稀疏的，可以是任意值。

稀疏表示的目标是找到一组基向量，使得使用这些基向量表示的数据能够尽可能接近原始数据。

稀疏表示的关键在于如何选择合适的基向量和表示方法。

常见的稀疏表示方法包括主成分分析（PCA）、独立成分分析（ICA）和奇异值分解（SVD）。

通过这些方法，可以将原始数据表示为一个低维向量，其中每个维度都是原始数据中的一个重要特征。

稀疏编码和稀疏表示在实际应用中有一些联系。

首先，它们都可以用于数据降维和特征提取。

通过选择合适的基向量和表示方法，可以将高维数据表示为低维向量，从而减少计算和存储的开销。

其次，它们都可以用于信号处理和图像处理。

通过稀疏编码和稀疏表示，可以提取出信号和图像中的重要信息，去除噪声和冗余，从而改善信号和图像的质量。

然而，稀疏编码和稀疏表示也存在一些区别。

环境目标稀疏建模-概述说明以及解释

环境目标稀疏建模-概述说明以及解释1.引言1.1 概述环境目标稀疏建模是指在环境科学和生态学领域中，通过采集和分析大量的环境数据，利用稀疏建模的方法来揭示环境系统中的目标规律和特征。

随着环境问题的日益突出和环境数据的不断积累，环境目标稀疏建模成为了一种重要的研究方法和工具。

稀疏建模是一种以稀疏性为基础的信号处理和数据分析技术，它通过对大规模数据进行处理和分析，将数据中的冗余和噪音信息去除，从而提取出数据的稀疏表示和潜在结构。

在环境科学和生态学领域，环境目标的特征和规律往往表现为一些稀疏的模式或者隐含的重要因素，这些因素对于环境问题的诊断和预测具有重要意义。

环境目标稀疏建模的研究目的主要包括两个方面。

首先，通过建立环境目标的稀疏模型，可以揭示出环境要素之间的相互关系和作用机制。

这有助于我们深入了解环境系统的结构和功能，并为环境保护和资源管理的决策提供科学依据。

其次，环境目标稀疏建模可以帮助我们从大量的环境数据中提取有用的信息和知识，挖掘出环境系统中的隐含特征和规律。

这有助于我们预测环境变化、评估环境风险以及探索环境问题的解决途径。

总之，环境目标稀疏建模是一种重要的研究方法和工具，它通过利用稀疏建模的方法来揭示环境系统中的目标规律和特征。

通过建立环境目标的稀疏模型，我们可以深入了解环境的结构和功能，为环境保护和资源管理提供科学依据。

同时，环境目标稀疏建模也可以帮助我们从大量的环境数据中提取有用的信息和知识，预测环境变化、评估环境风险，并为解决环境问题提供参考。

文章结构部分的内容可以按照以下方式编写：1.2 文章结构本文共包含三个主要部分：引言、正文和结论。

在引言部分，将介绍本文的背景和重要性。

首先，概述环境目标稀疏建模的定义和概念，并强调其在解决环境问题中的研究意义。

接着，详细说明文章的结构和各个部分的内容。

最后，明确阐述本文的目的和意义，为后续内容铺垫。

正文部分将分为两个小节，具体讨论环境目标的重要性和稀疏建模的概念和方法。

面向目标检测的稀疏表示方法研究进展_高仕博

1
引言
随着成像传感器技术的发展，人类扩展了获取图像信息的广度和深度，加深了人类对客观世界的认识，能观察到人眼能感知到和感知不到的物体，根据所用传感器的不同，常见的图像有彩色图像、红外图像、高光谱图像、合成孔径雷达图像及核磁共振图像等．对于获取的大量图像信息，人们期望借助计算机实现智能化处理，达到对场景的自动分析和理解．目标检测的任务是从获取的图像中分割出感兴趣的区域，作为图像理解的一个
第2 期 2015 年 2 月
电子学报 ACTA ELECTＲONICA SINICA
Vol． 43 No． 2 Feb． 2015
面向目标检测的稀疏表示方法研究进展
1 2 1， 3 1， 3 高仕博，程咏梅，肖利平，韦海萍
（ 1．北京航天自动控制研究所，北京 100854 ； 2．西北工业大学自动化学院，陕西西安 710072 ； 3．宇航智能控制技术国家级重点实验室，北京 100854 ）
K
上式是一个标准的稀疏编码问题，根据应用目的的不其有多种变体，如：同， arg min x － Da 2 s． t． a 1 ≤ε F，
{
a
arg min
a
1 x － Da 2
2 F
+λ a
（ 5）
1
其中 λ 表示非负稀疏性约束参数，式（ 5 ）的第二个式子就是著名的 Lasso 模型（ Least Absolute Shrinkage and Selection Operator）．除了求解 a 的稀疏编码问题外，人们更感兴趣的是如何选择 D 使得信号 x 在 D 上的表示是 Olshausen 稀疏的和有效的，称为字典设计或学习问题，［12 ］和 Field 最早将稀疏性约束 l1 范数作为最小二乘算法的规则项，从训练样本中学习到具有方向特性的原子，总体而言，稀疏编码和字典学习的基本定义可以表示如下： arg min∑ x i － Da i 2 s． t． d k 2 F + λ ai 1 ， F = 1 （ 6）

基于稀疏表示的频控阵 MIMO 雷达多目标定位

基于稀疏表示的频控阵 MIMO 雷达多目标定位陈慧;邵怀宗;潘晔;王文钦【摘要】针对频控阵多输入多输出（MIMO）雷达，提出了一种基于压缩感知稀疏表示思想的目标定位算法。

首先回顾了 MIMO 雷达和频控阵的特点，进而研究了频控阵 MIMO 雷达的性质，它不但可以具有MIMO 雷达的优点，而且能够感知目标的距离维信息，同时针对频控阵 MIMO 雷达接收数据模型进行数学建模，并把目标定位问题表示成稀疏表示框架下的代价函数。

最后利用凸优化工具对代价函数进行优化求解，由所得稀疏权向量中的非零元素索引映射出目标的方位和距离信息。

与现有的经典 MUSIC 算法相比，具有更好的定位性能，计算机仿真结果证明了所提算法的有效性。

%For the frequency diverse array(FDA)multiple-input and multiple-output(MIMO)radar,a target localization algorithm in sparse signal representation perspective is presented.Firstly,the characters of the MIMO radar and FDA are reviewed,then the properties of the FDA MIMO radar are studied,that is,it not only owns the merits of the MIMO radar,but also can sense the range information of the targets.Its re-ceiving mathematical measurement is also modeled,and the target localization problem is described as a cost function under the sparse representation framework.Finally,the angle and the range of the targets are esti-mated by mapping the non-zero element indexes of the sparse vector which is obtained by solving the cost function using existing convex pared with the existing classic MUSIC algorithm,the proposed algo-rithm can achieve better localization performance.The computer simulation results demonstrate the effective-ness of the algorithm.【期刊名称】《雷达科学与技术》【年(卷),期】2015(000)003【总页数】6页(P259-264)【关键词】频控阵 MIMO 雷达;压缩感知;稀疏表示;参数估计【作者】陈慧;邵怀宗;潘晔;王文钦【作者单位】电子科技大学通信与信息工程学院，四川成都 611731;电子科技大学通信与信息工程学院，四川成都 611731;电子科技大学通信与信息工程学院，四川成都 611731;电子科技大学通信与信息工程学院，四川成都 611731【正文语种】中文【中图分类】TN9580 引言多输入多输出(Multiple-Input and Multiple-Output,MIMO)雷达近年来受到了广泛关注[1-3]。

基于稀疏表示的目标跟踪算法研究

学校代码***** 学号************ 分类号TP391 密级公开硕士学位论文基于稀疏表示的目标跟踪算法研究学位申请人邵豪指导教师张莹副教授学院名称信息工程学院学科专业控制科学与工程研究方向机器视觉与智能信息处理二○一八年六月四日Research on Target Tracking Algorithm Based on Sparse RepresentationCandidate Shao HaoSupervisor Associate Prof. Zhang YingCollege College of Information EngineeringProgram Control Science and EngineeringSpecialization Machine vision and intelligent information processing Degree Master of EngineeringUniversity Xiangtan UniversityDate Jun, 2018摘要目标跟踪就是在连续的视频序列中，建立所要跟踪物体的位置关系，得到物体完整的运动轨迹，目前广泛应用于军事导航、城市智能交通管控、视频监控以及人机交互等方面。

在目标运动的过程中，会出现姿态或形状的变化、尺度的变化、背景遮挡或光线亮度的变化等情况，降低了跟踪算法的准确率，构建一个性能高效、稳定的适应强的追踪算法是当前跟踪领域的一大难题。

为解决目标跟踪过程中出现的目标丢失及提高跟踪效率，本文做了以下研究：（1）为提高计算速率，减小背景信息的干扰并增强稀疏表示跟踪模型性能，提出了一种利用分段加权函数构建的反向稀疏跟踪算法，将跟踪问题转化为在贝叶斯框架下寻找概率最高的候选对象问题，通过构造不同的分段权重函数分别度量候选目标与正负模板的判别特征系数。

利用池化降低跟踪结果的不确定性干扰，选择正模板与负模板相减得到的最大差值系数所对应的候选表示作为当前跟踪结果。

梯度特征稀疏表示目标跟踪

关键词：目标跟踪；梯度方向直方图；稀疏表示；压缩感知
中图分类号：ＴＰ３９１
文献标识码：Ａ
ｄｏｉ：１０．３７８８／ＯＰＥ．２０１３２ｌ１２．３１９１
ｏｂｊｅｃｔｔｒａｃｋｉｎｇｂａｓｅｄｏｎｓｐａｒｓｅｒｅｐｒｅｓｅｎｔａｔｉ０ｎｏｆｇｒａｄｉｅｎｔｆｅａｔｕｒｅ
＊Ｃ０ｒｒｅｓ０７ｚｇａｕｔｈｏｒ，Ｅ－ｍａｉｌ：ｆｌｃｈａｎｇ＠ｓｄｕ．ｅｄｕ．ｃｎ
Ａｂｓｔｒａｃｔ：Ａｓｔｒａｄｉｔｉｏｎａｌｃｏｍｐｒｅｓｓｉｖｅｓｅｎｓｉｎｇｔｒａｃｋｉｎｇａｌｇｏｒｉｔｈｍｗｉｌｌｐｒｏｄｕｃｅｔｒａｃｋｉｎｇｅｒｒｏｒｓｉｎｃｉｒｃｕｍ—
ｇｒｏｕｎｄ，ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｓｐａｒｓｅｒｅｐｒｅｓｅｎｔａｔｉｏｎｏｂｊｅｃｔｔｒａｃｋｉｎｇａｌｇｏｒｉｔｈｍｂｙｔａｋｉｎｇｔｈｅｈｉｓｔｏｇｒａｍ
不同视频的实验结果表明，该方法在实验环境ＩｎｔｅｌＣｏｒｅ２２．９３ＧＨｚ，ｍａｔｌａｂＲ２０１０ａ，图像大小３２０ ×２４０下，跟踪速率可

基于稀疏表示和拉伸变换的SAR图像目标识别

基于稀疏表示和拉伸变换的SAR图像目标识别李廷元【摘要】目标识别是SAR图像解译的关键环节,针对已有基于稀疏表示的SAR图像目标识别方法识别率不高的问题,在分析影响识别率原因的基础上,结合SAR图像中目标区域和阴影区域特性,提出了一种基于稀疏表示和拉伸变换的SAR图像目标识别方法.该方法通过对训练样本图像进行拉伸变换生成了新的训练样本图像,利用已有的和新的训练样本图像构造稀疏字典,通过求解目标区域和阴影区域的联合稀疏表示,根据重构误差最小准则完成了SAR图像目标识别.利用MSTAR实测SAR 图像对提出的目标识别方法进行了测试,结果表明新方法识别率高于已有方法,从而验证了新方法的有效性.%Target recognition is the key link of SAR image interpretation. The recognition rate of the existing SAR image target recognition method using sparse representation is not high enough. Therefore, we proposed a SAR image target recognition method using sparse representation and stretch transformation based on the analysis of the factors affecting the recognition rate, and according to the characteristics of the target region and the shadow area. This method may generate a new training sample image by stretching the training sample image, and construct a sparse dictionary by using the existing and new training sample image. By solving the joint sparse representation of the target region and the shadow area, the SAR image target recognition is completed according to the criterion of the minimum reconstruction error. The proposed method of target recognition was tested by using MSTAR SAR image. The results show that the recognition rate of the proposedmethod is higher than that of the existing method, and thus the validity of the method is verified.【期刊名称】《电光与控制》【年(卷),期】2018(025)005【总页数】6页(P50-55)【关键词】目标识别;图像解译;SAR图像;稀疏表示【作者】李廷元【作者单位】中国民用航空飞行学院计算机学院,四川德阳 618307【正文语种】中文【中图分类】TN957.920 引言预处理、特征提取和分类识别是传统 SAR 图像目标识别的3大步骤，其中，特征提取步骤对最终的目标识别率影响很大。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

稀疏表示目标关联Company Document number：WUUT-WUUY-WBBGB-BWYTT-1982GT无重叠视域多摄像头目标关联综述摘要：随着视频监控技术的快速发展，多监控摄像机信息融合的研究逐渐被重视起来，作为核心技术之一的无重叠视域多目标关联也成为了研究的焦点。

这个研究焦点是计算机视觉研究领域的一个新兴的、多学科交叉的研究方向。

文章对国际上关于此方向从开始到现在的重要研究成果，做出了比较详细的论述，把对该问题的研究归纳为三个主要的组成部分，并依次介绍了这三部分的研究进展，最后简要分析了这个方面研究的难点和未来的发展趋势。

关键字：视频监控、无重叠视域多摄像头、目标关联Abstract: With the rapid development of visual surveillance technology, the research about multi-camera information fusion is gradually paid more attention to. Thus, as one of the core techniques, objects tracking across non-overlapping multi-camera become the focus. This focus is a rising direction of computer vision, which crosses several subjects. This paper discusses the important achievements of this topic all over the world from beginning to present in detail. All of them are clustered into three parts and introduced orderly. Finally, some difficulties and future directions are analyzed concisely.Keywords: visual surveillance, non-overlapping multi-camera, objects matching1引言在单摄像机智能监控算法逐渐成熟的同时，近年来，多摄像机之间的信息关联和信息融合的研究逐渐被重视。

由于被监控区域的广阔和摄像机视域有限之间的矛盾，以及在计算量和经济等方面的考虑，不可能用摄像机全部覆盖所有的被监控区域。

因此在无重叠视域多摄像机监控环境下的目标跟踪就成为了广域视频监控研究的重要内容之一。

在无重叠视域多摄像机视频监控系统中，目标在时间和空间上都是分离的，如何将不同摄像机中相同目标进行有效地关联是多摄像机目标跟踪的关键问题。

本文主要针对无重叠视域多目标关联技术的研究现状进行了系统的介绍,包括问题描述、一般框架、关键问题、主要方法介绍，并分析了各方法的优缺点。

2关键问题概述无重叠视域多目标关联的一般结构图如图1所示：目前，多目标跟踪算法的主要难点是数据关联问题。

背景的复杂性，目标比例变化、目标颜色与背景颜色的相似程度、背景的稳定程度，多目标的交互及各种特殊情况的发生都会给多目标跟踪带来困难。

当前多目标跟踪中存在的难题主要包括以下几个方面：遮挡问题：遮挡是多目标跟踪中的常见情况，目标可能被背景中静止的物体遮挡，也可能被另外的目标遮挡，或者自遮挡，并且遮挡的程度也不同。

目标被遮挡的过程一般可分为两个阶段：一是目标进入遮挡过程，这期间目标信息丢失越来越严重，二是目标出离遮挡过程，也即目标渐渐离开遮挡，这期间目标信息逐渐得到恢复。

遮挡表现为目标信息的逐渐丢失，而跟踪算法的关键就是搜索到足够多的目标信息，判定目标所在，所以遮挡给目标跟踪的可靠性带来很大困难，可能导致跟踪的不稳定甚至丢失目标。

如何有效的处理遮挡，特别是严重的遮挡，一直是多目标跟踪中的一个难点，目前多数系统都不能处理较严重的遮挡问题，也不能提供标准来判断何时停止及何时重新开始跟踪，且在目标丢失情况下没有相应的重新获取目标的引导方法。

目标数目的随机性：数目可变也是多目标跟踪中的常见问题。

目标总数的变化来自于新目标的随机出现、旧目标的消失以及由于旧目标的分裂与合并(即遮挡)。

目标总数的变化有两种情况：一是总数的增加，包括新目标的出现和旧目标的分裂；二是总数的减少，包括旧目标的消失和目标合并。

如何准确得到当前帧的目标个数，是多目标跟踪中的又一个难点。

背景的复杂性：目标所处场景的复杂程度、稳定程度影响着目标跟踪的效果，背景中的干扰因素主要包括：光线亮度的变化，使背景颜色也发生变化；背景中物体的变动，当背景中增加、移去或者移动某些景物并持续一段时间时，背景发生变化，应及时更新背景；背景中存在与目标特征类似的物体时，将增加目标跟踪的难度，可能使跟踪收敛到干扰所在位置；阴影问题，阴影属于非运动目标区域，但是与背景颜色上存在差别，给运动目标检测带来困难。

目标外观变化和不同目标外观的区分：目标外观特征包括目标形状和纹理等信息，对于非刚性目标，由于目标比例和形状的变化以及目标运动的不确定性(机动目标)，导致目标信息的丢失，很容易发生跟踪失败。

在监控视频中，目标外观往往非常相似，如何选取合适的特征以较好的区分不同目标外观来实现准确的数据关联。

实时性要求：视频图像含有大量的数据，要保证目标跟踪的实时性要求，必须选择计算量小的算法，但是目标跟踪另一个重要性能是跟踪的准确性，而准确性的保证往往是在复杂运算和处理的基础上的，这就造成了两者的矛盾。

一个好的运动目标跟踪系统必须要兼顾两者，要对两个性能指标加以平衡。

3多目标关联方法概述正是由于上述问题的存在，研发具有鲁棒性、实用性的多目标关联算法一直是无重叠视域目标跟踪的难点。

随着其它学科(如生物学、计算机图形学、概率论与统计学、随机过程等)的发展，多目标关联的新思路、新方法层出不穷。

以下对近年来国内外解决多目标核心问题的主流方法进行总结与分析，并比较各方法的优缺点。

单摄像头运动目标提取运动目标检测是目标关联的前提，只有在目标被检测出之后，才能对被检测出的目标进行关联。

运动目标检测的主要任务是在图像中检测出各个独立的运动目标，便于后续的特征提取和关联等过程。

运动目标检测技术已经有大量的研究，形成了三种传统的运动目标检测方法：帧间差分法[1,2]、背景差分法[3-9]和光流法[10]。

其中光流法计算大都相当复杂，且抗噪性能差，难以实时应用，帧间差分法和背景差分法是目前最广泛的运动目标检测方法[2]。

运动目标检测通常采用以下几种方法[5-6]：（1）帧间差分法：基本思想是将视频中相邻两帧或多帧图像做差分，然后利用阈值进行分割，将超过阈值的当做前景，其他的当做背景。

优点是实时性好，算法复杂性比较小，容易实现。

缺点是目标内部一般会有不连续的空洞。

目前对于帧间差分法一般用来做前期检测，（2）背景差分法：背景差分法是视频监控中最为常见的运动目标检测方法，它的基本思想是将当前帧图像与参考背景图像做差分运算，然后设定一定的阈值来检测运动目标。

背景差分法的关键是背景图像的选取和背景模型的建立。

最简单方法是直接从视频中抽取一帧图像或者对一段时间内的视频序列中每个像素做均值滤波或中值滤波，然后将得到的图像作为参考背景图像。

目前研究人员大多数都在研究如何开发不同的背景模型，期望建立更加合理的背景模型并对其及时进行更新，希望借此能够抵消背景的干扰和变化。

从上世纪末至今，出现了一大批背景差分法的方法，比如混合高斯模型背景差分法[7]、无参数估计背景差分法[8]、核密度估计背景差分法[9]、码本背景差分模型[10]等算法。

但是，在多摄像机监控系统中，由于图像背景存在变化，不能直接采用背景差分法，本文在第二章中针对多摄像机环境下背景扰动的问题进行了实验，实验结果表明利用改进的扭曲背景差分模型，可以有效去除背景扰动的影响，一定程度上提高了检测的准确率。

(3)光流法：基于光流法的运动目标检测是利用了运动目标随时间变化的光流特性，为视频序列中每一个像素点赋予一个速度矢量，从而对应产生一个运动场，一般情况下认为光流场对应于运动场，研究光流场就是为了从图像序列中近似计算得到运动场的信息，然后根据各个像素点的速度矢量特征，实现图像序列的动态分析。

假如图像序列中不出现运动目标时，光流矢量在整个图像区域是连续变化的。

反之，运动物体所形成的速度矢量就会与邻域背景速度矢量不同，从而检测出运动目标的具体位置。

该算法同时能够在摄像机运动的情况下检测运动目标，但计算复杂，实时性不高。

单摄像头目标跟踪基于多特征融合与自适应模板的多目标跟踪算法视觉特征对于跟踪算法的性能有很重要的影响，所选的视觉特征应该能很好的区分跟踪目标与背景。

针对单一视觉信息描述目标不够充分、跟踪目标不够稳定的缺点，出现了许多基于多特征融合的多目标跟踪算法[11-15]。

文献[11]将颜色、纹理和运动信息三个特征相结合描述目标，该算法采用固定不变的模板，然而当背景和目标外观变化时，易出现失跟。

文献[13]针对此问题提出了多特征融合与自适应模板相结合的多目标跟踪算法，能有效处理模板随时间变化的情况，但是算法计算量大。

文献[14]为了提高算法的实时性，基于在线自适应模板选择特征个数，计算量大大降低。

上述文献都是将多特征用于目标描述。

文献[15](针对人脸)将多特征融合技术用于判断新目标的出现；基于在线学习的自适应模板以适应背景与目标外观的变化；以目标观测概率小于某一阈值判断旧目标的消失；对每一个目标单独建立一个粒子滤波器，实现多个目标的跟踪。

该方法能在较简单场景下自动判断新目标的出现与旧目标的消失，处理目标部分遮挡及背景变化，但是未能处理目标的分裂与合并(严重遮挡)。

基于运动信息的多目标跟踪算法目标总数可变一直是多目标跟踪中的难点，有效地对可变数量目标的判定取决于目标检测的准确度。

目标的运动信息是目标检测中一项重要特征，运动检测技术包括光流法、差分法等。

目前，比较常用的是差分法。

文献[16]针对人的跟踪中常出现的变形、遮挡以及多目标跟踪中常出现的目标合并、分裂、消失、新增等情况。

利用背景差分法,差分值分别代表背景和目标。

当目标数量发生变化时,采用基于相交区域面积的关联矩阵判断场景中各种特殊情况的发生。

当目标轻微合并时，采用基于颜色直方图的均值漂移算法分别跟踪合并在一块的各个目标，当目标分裂时，要判断分裂出的目标属于遮挡前的哪一个目标，用巴氏距离表示分裂前各目标和分裂后目标直方图的关联度，取最大值者作为关联目标。

基于3D 空间的多目标跟踪算法现实世界中的物体都是三维的，而人眼所获得的图像是二维的，对2D 图像来说目标间容易出现遮挡，而对3D 图像来说每个目标只有一个位置，可有效地解决多目标间遮挡问题。