稀疏表示、目标跟踪

一种改进的稀疏表示DOA估计算法赵宏伟;刘波;刘恒【摘要】稀疏表示波达方向（DOA）估计算法具有分辨力高等优点，但是对阵元个数要求高、低信噪比时估计性能恶化严重，不利于在实际系统中应用。

为此，提出一种基于实信号特点的稀疏表示波达方向估计算法。

首先，建立实值稀疏表示的DOA估计模型，能够将阵元数虚拟加倍；其次，利用正交三角分解对估计模型变型，从而改善低信噪比时的估计性能；最后，利用正交匹配追踪算法得到估计结果。

仿真实验结果表明，相对传统稀疏表示算法，具有更低的估计误差和更好的实时性，在实际工程中应用前景广阔。

%Though the direction of arrival (DOA) estimation with sparse representation has high resolution, its computational load is too much and is not suitable for real-time processing in practical system. A DOA estimation algorithm with sparse representation based on the property of real signal sources is proposed to settle the problem. First, the corresponding DOA model is constructed and the numbers of available sensors is doubled based on the array data model of real signals. Then, the orthogonal triangular (QR) decomposition is used to improve the estimation performance at low SNR. Finally, the direction estimation was obtained by orthogonal matching pursuit algorithm. The results of simulation experiments show that the proposed algorithm is suitable for real-time processing and has low estimation error. Therefore, there is much application prospect in practical system engineering.【期刊名称】《电子设计工程》【年(卷),期】2016(024)009【总页数】4页(P133-135,143)【关键词】波达方向估计;稀疏表示;正交三角分解;正交匹配追踪【作者】赵宏伟;刘波;刘恒【作者单位】西安空间无线电技术研究所陕西西安 710100;西安空间无线电技术研究所陕西西安 710100;西安空间无线电技术研究所陕西西安 710100【正文语种】中文【中图分类】TN911波达方向（Direction of Arrival，DOA）估计技术是阵列信号处理领域的研究重点之一，能够实现空间中多个目标信号的高分辨定位，在雷达、通信、导航等领域有着广泛的应用［1-2］。

视频监控中多视角目标智能定位追踪方法研究杜丽娟;路晓亚【摘要】在视频监控中对目标进行定位追踪时,容易出现遮挡情况.当前定位追踪方法需预先检测出遮挡状况,再对目标位置进行校正,计算量大,且追踪结果不可靠.为此,提出一种新的视频监控中多视角目标智能定位追踪方法,针对每个摄像头采集到的图像,对其进行二值化处理,通过稀疏表示方法对目标进行定位.构建了视频监控中多视角目标跟踪的概率框架,针对每个智能摄像机,建立视频监控中多视角目标追踪模型.通过不同视角中的视频数据求出本地似然函数.为了避免维度灾难问题,对联合后验概率进行分解获取边缘概率乘积的形式,通过边缘概率求出被追踪目标在摄像机视角下的位置.依据消息传递机制实现信息融合,达到目标追踪的目的.实验结果表明,所提方法有很高的定位和追踪精度.%Fixing the target tracking in video surveillance,prone to condition,current location tracking method to detect the shade conditions in advance,and correction of target location,large amount of calculation,and tracking the result is not reliable.For this,a new kind of video monitoring target smart positioning tracking method was put forward,multiple points of view for each image obtained by camera,binarization processing,through sparse representation method to locate the target.Build the probability of the perspectives of target tracking in video monitoring framework,for each smart camera,perspectives of target tracking in video monitoring model is established,through the different angle of view and the local likelihood function of video data.In order to avoid the problem of dimension disaster,joint posterior probability decomposition to obtain edge probability of productform,through the edge probability and track targets in the position of the camera perspective.Based on message passing mechanism to realize information integration and achieve the goal of target tracking.The experimental results show that the proposed method has a high positioning and tracking accuracy.【期刊名称】《科学技术与工程》【年(卷),期】2017(017)016【总页数】5页(P270-274)【关键词】视频监控;多视角;目标;定位;追踪【作者】杜丽娟;路晓亚【作者单位】商丘工学院信息与电子工程学院,商丘 476000;商丘工学院信息与电子工程学院,商丘 476000【正文语种】中文【中图分类】TP391.41目前，视频监控技术的逐渐发展，被广泛应用于交通管理、居民区安防、商铺与银行监控、机场监控等安防领域，人们对视频监控技术的要求越来越高[1—3]。

信号处理中的稀疏表示技术研究信号处理是一个非常广阔而重要的研究领域，其中涵盖了大量的技术和理论。

而稀疏表示技术则是其中最为重要的技术之一。

今天，我们将深入探讨什么是稀疏表示技术，以及它在信号处理中的应用。

什么是稀疏表示技术稀疏表示技术是指利用少量非零系数来近似表示一个向量或矩阵的技术。

它被广泛应用于信号处理、图像处理、计算机视觉和机器学习等领域，并且已经成为了这些领域中的基础性技术之一。

在稀疏表示技术中，我们假设我们的信号可以表示为向量x的线性组合，而这个向量只有很少的非零系数。

这种假设在实际中非常常见，因为大多数信号都是由少量的基函数或原子组合而成的。

比如说，可以将图像表示为少量的基函数（如小波基）的线性组合。

利用这种假设，我们可以通过优化问题来求解最优的系数向量，从而实现对信号的稀疏表示。

具体来说，稀疏表示问题可以表示为以下形式：minimize ||x-Da||_2subject to ||a||_0 <= k其中，x是我们想要表示的信号，D是表示信号的原子库，a是系数向量，k是我们想要的非零系数的数量。

在这个问题中，我们通过最小化表示误差来求解最优的系数向量a，同时限制a中非零元素的数量不超过k个，从而实现稀疏表示。

稀疏表示技术在信号处理中的应用稀疏表示技术在信号处理中有着非常广泛的应用，下面我们将详细介绍其中的几个方面。

1. 压缩感知压缩感知是一种利用稀疏表示来实现信号压缩的方法。

它通过使用较少的测量样本（比如说，对信号进行采样）来重构完整的信号。

具体来说，压缩感知算法可以表示为以下形式：minimize ||a||_1subject to y = Ax其中，a是系数向量，y是我们的测量向量，A是测量矩阵，x是原始信号。

这个问题可以通过基于稀疏表示的算法来求解，比如说OMP（正交匹配追踪）和MP（匹配追踪）算法等。

2. 图像处理稀疏表示技术在图像处理中有着广泛的应用。

通过将图像表示为稀疏系数向量的形式，我们可以实现对图像的降噪、去模糊、超分辨等操作。

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。

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。

图像处理中的稀疏表示技术研究近年来，随着计算机技术的不断发展，图像处理技术也日新月异。

而稀疏表示技术（sparse representation）作为一种基础的图像处理技术已经引起了越来越多的关注。

稀疏表示技术是指通过寻找图像中特定区域内具有显著性的特征点并将其表示为稀疏信号的方式来进行图像处理。

这种处理方法可以有效地消除图像噪声，提高图像的清晰度和对比度，增强图像的边缘、轮廓等特征，所以在计算机视觉、遥感图像、医学图像等领域都得到了广泛的应用。

本文将从稀疏表示技术的概念、原理、方法和应用等方面进行论述和探究。

一、稀疏表示技术的概念和原理稀疏表示技术是指将一个向量或矩阵表示为尽可能少的基向量的线性组合的过程。

在图像处理中，可以将图像看成是由许多小区域构成的，而每个小区域中可含有若干个像素。

稀疏表示技术的原理是，在图像中找到一些局部基组，通过这些基组的线性组合，来构建整幅图像的表达式。

将图像表示为少量的基向量的线性组合，可以有效地减少噪声的影响，提高图像的清晰度和对比度。

二、稀疏表示技术的方法1.基于字典学习的稀疏表示方法字典学习是稀疏表示方法中常用的一种方法。

它通过学习一个基向量集合（字典），从而快速计算出稀疏表示的系数。

在该方法中，需要构造一个符合实际情况的稀疏基向量集合。

通常的方法是利用训练数据集，通过正交匹配追踪（OMP）、坐标下降（CD）或梯度下降（GD）等算法来学习一个合适的基向量集合。

2.基于降噪的稀疏表示方法基于降噪的稀疏表示方法是一种常见的图像降噪技术，它通过在空间域或频域内对图像进行降噪处理，从而实现对图像的修复和增强。

常用的稀疏表示方法包括小波变换（wavelet transform）、图像块表示（image patch representation）等。

三、稀疏表示技术的应用稀疏表示技术已经得到广泛的应用，其中最为重要的应用领域之一是图像降噪和增强。

通过对图像进行稀疏表示，可以将图像中的噪声去除，从而提高图像的质量。

采用稀疏特征选择的红外运动目标跟踪方法雍杨;王升哲;王兵学;陈咸志【摘要】复杂场景下的红外运动目标对比度低且缺乏细节信息,难以实现稳定持续跟踪.分析了典型红外运动目标的特性,提出一种稀疏编码与特征选择的改进跟踪算法.采用Logistic回归模型,通过对正负样本的监督学习,计算得到最佳权重特征矢量,并将原始特征模板和粒子采样对象均向该特征矢量投影,削弱了背景成分对运动目标跟踪的影响并降低了运算量.在模板更新策略上采用了每帧更新的方法以适应运动目标的机动性.文中给出的方法与其他两种经典方法的实验比较,证明了本方法对运动目标跟踪的有效性.【期刊名称】《激光与红外》【年(卷),期】2015(045)004【总页数】6页(P446-451)【关键词】红外运动目标跟踪;稀疏表示;特征选择;Logistic回归模型【作者】雍杨;王升哲;王兵学;陈咸志【作者单位】西南技术物理研究所,四川成都610041;西南技术物理研究所,四川成都610041;西南技术物理研究所,四川成都610041;西南技术物理研究所,四川成都610041【正文语种】中文【中图分类】TP391.411 引言红外运动目标的跟踪在军事和民用上有着广泛的用途。

对于天空背景的红外运动目标，由于背景比较简单，目标有比较高的对比度，用显著目标提取、背景建模等方法可以实现对目标的检测和跟踪。

对于地面背景的红外运动目标，跟踪过程中遇到的困难则比较多，如目标对比度低、目标遮挡、目标外观变化等［1］。

一些经典的目标跟踪方法如模板匹配法、光流法、卡尔曼滤波法、粒子滤波法等，都因为红外目标自身信息少且背景干扰多的原因难以获得满意的效果［2］。

近年来虽然又提出了一些比较好的目标跟踪算法，如2008年David提出的子空间增量学习跟踪算法［3］，2009年Boris提出的MIL跟踪方法［4］，同年，Xue Mei提出的Li跟踪算法［5］，但这些算法的设计和测试都是基于可见光图像，所跟踪的目标也比较大，具有比较丰富的灰度层次和明显的细节。

稀疏投影在目标跟踪中的应用邵洁【摘要】探讨了稀疏投影表示法在目标检测跟踪系统中的应用.通过一范数(L1)正则化最小二乘算法实现目标特征在模板矩阵的稀疏投影,并根据投影差值最小的目标特征找到最优跟踪状态估计,最后更新模板矩阵以适应目标变化.该方法将基于贝叶斯框架的状态预测和视频采集模板相结合得到最优跟踪轨迹.实验结果表明,该方法能够达到很好的跟踪效果.【期刊名称】《上海电力学院学报》【年(卷),期】2012(028)004【总页数】4页(P357-360)【关键词】视频跟踪;稀疏表示;粒子滤波;模板匹配【作者】邵洁【作者单位】上海电力学院计算机与信息工程学院,上海200090【正文语种】中文【中图分类】TP391.41运动目标分析是计算机视觉研究领域中的一个富有挑战性的课题.它涵盖了移动目标物体的检测、跟踪，以及跟踪物体的行为识别等多个方面的内容.一个鲁棒的视频跟踪算法需要克服噪音的影响，图像中的目标间互遮挡或物体对人的遮挡，图像视角变化，复杂的背景和光照变化等.跟踪算法能够实现对一段时间内目标空间状态的估计.早期研究中，基础跟踪算法通常采用卡尔曼滤波实现.然而由于卡尔曼滤波只能提供状态变化服从线性高斯分布的目标最优值估计，不符合现实中的目标运动变化状态，使得其后产生的基于非线性模型的粒子滤波方法逐渐成为更广泛使用的次最优状态估计方法.在基础跟踪算法选定的情况下，如何利用特征找到与已有跟踪目标或模板最匹配的观测目标是目标跟踪的关键.1 算法概述本文尝试通过寻找模板子空间中目标的稀疏最优估计实现目标跟踪.这一设想来自于文献［1］，首先在第一帧初始化目标模板，然后在跟踪过程中，通过贝叶斯框架下的粒子滤波得到多个候选目标位置，再将候选位置的目标模块表示成目标模板的稀疏线性加权和.因此，处于最正确候选位置的目标模块应当最能有效地由目标模板表示.事实上，通过将这种表示转化为一个L1正则化最小二乘问题求解时，可以得到一个候选模块关于目标模板的稀疏权值向量.而与目标模板加权和差值最小的候选模块是当前帧的最优跟踪结果.其算法流程如图1所示.图1 基于稀疏表示的目标跟踪算法基本流程2 粒子滤波算法粒子滤波是一种利用贝叶斯序列重要性采样技术来估计状态变量的后验概率密度分布的算法.它包含预测和更新两个基本步骤.假设xt表示描述t时刻物体特征的状态变量，则在已知所有1 到 t－1 时刻的观测结果z1∶t－1={z1，z2，…，zt－1}的条件下，xt的条件预测分布为p(xt/z1∶t－1):而在t时刻，当已知观测值zt，则基于贝叶斯规则可以得到状态向量的后验概率密度为:式中:p(zt/xt)——观测似然概率密度.粒子滤波采用大量具有权重的粒子样本}i=1，…，N实现对后验概率密度p(xt/z1∶t)的分布估计.粒子样本服从某一特定分布，比如状态转换概率密度分布p(xt/xt－1)，如图2所示.以100个采样粒子为例，在地铁视频中针对人群中某一目标得到以采样粒子为中心的候选跟踪模块分布，则相应的粒子权重更新为:图2 粒子样本分布示例在本文的跟踪算法中，采用图像的仿射变换以实现对连续两帧目标，运动建模.状态变量xt=(Λ，px，py，vx，vy)包括仿射参数向量Λ，目标位置(px，py)和平均速度(vx，vy).仿射参数Λ 来自于对已知状态xt的计算.首先从图像中获取感兴趣区域zt，并将其归一化为目标模板大小.本文假设状态转换概率 p(xt/xt－1)服从高斯分布，且仿射向量中各参数独立，则观测模型p(zt/xt)的大小反映了观测值与目标模板的相似程度.在跟踪过程中，p(zt/xt)由目标模板和观测值的L1最小化误差得到.3 基于L1最小化的跟踪在跟踪过程中，本文将不同光照背景和视角下目标的全局特征投影到一个低维子空间中来实现状态估计.若已知目标模板序列T={t1，t2，…，tn}∈Rd×n(d ＞＞n)，包含 n 个ti∈Rd的向量矩阵，则跟踪结果全局特征y∈Rd可以表示为:式中:a——目标参数向量，a={a1，a2，…，an}T∈在许多视频目标跟踪场景中，目标物体常常面临噪音或局部遮挡的问题，尤其遮挡会影响图像的任何位置或任意大小，会产生不可预测的检测错误.因此，考虑噪音和遮挡问题的影响，式(4)可以写成:式中:ε——非零错误向量，表示y中被遮挡或破坏的像素.事实上，由于ε的不确定性，a有无数种不同的解.然而，一个可信的目标跟踪模块应当在其对应向量a中只存在有限个数的非零值，也就是说，目标跟踪模块仅可能与有限个目标模板有较高的相似性.因此，将式(5)转化为一个L1正则化最小二乘问题，即:式中:‖·‖2，‖·‖1——L1和L2范数计算.L1正则化最小二乘问题可通过Lasso问题求解法得到解决，本文直接采用 INRIA 提供的SPAMS稀疏分解工具箱加以实现.4 模板更新在计算机视觉中使用模板跟踪方法始于1981年［2］.首先在第一帧中提取目标模板，在随后每帧中感兴趣的区域找到最为匹配的目标位置.一个固定的目标模板不足以应对视频中可能产生的变化，而如果模板随视频更新过快易导致丢失原始目标状态而仅保留包含更多不确定性的跟踪信息.本文采用的基于稀疏表示的目标跟踪法与传统的模板匹配法有类似之处.虽然在初始时间内，目标外表会保持不变，但随着时间的延续，模板与目标的当前外表会出现差异，这与目标行为和面对摄像机的角度有关.因此，我们采用目标模板T的动态更新来解决这一问题.L1最小化的一个重要特点是模板的范数越大，最小化得到的差值越小，这是由式(6)中‖a‖1项的存在产生的.模板‖ti‖2的值越大，‖Ta－y项中相对应的系数ai越小.利用这一特性，可以引入一个与每个模板相关联的权重向量ωi=‖ti‖2.权重越大，表示模板与当前目标的相关性越大.第一帧中，人为选定模板并对其进行归一化.对选定模板模块上下左右略微移动一定像素值可以得到多个不同的模板，提取特征后可以得到模板矩阵.初始条件下，每个模板的权值ωi相同，都等于1.每一帧结束后对权值进行更新后就可得到:若当前目标与最优模板的相似度大于某一阈值，则调整每个模板的范数‖ti‖2=ωi，并对其进行归一化;若两者相似度小于某阈值的话，则将相似度最低的模板更新为当前目标特征，其权重值初始化为所有权重的平均值.5 实验结果与分析在Matlab环境下，采用大量的视频对其进行了有效性测试.实验环境:双核2.66 GHz CPU，3 GB内存，帧图像为768×576像素，视频跟踪算法运算速度为每秒4帧.测试视频包括室内外大量不同人流密度的场景，且场景中包含光线变化和不同程度的遮挡.实验以第一帧为参考帧，即所取的模板均取自第一帧的目标模块.每一个目标分配20个不同模板.这些模板的获取同样来自于第一帧的目标模块，仅在原始位置的不同方向微移后选取.在所有情况下，初始位置和目标的选取均由人工实现，粒子数量固定为400.采用本文的跟踪方法实现的跟踪效果如图3所示.每一行从左往右排列5帧同一场景的跟踪效果图片，图片的左上角显示的数字表示当前帧数.每张图片均标注了从起始帧到当前帧被跟踪目标的运动轨迹，显示了跟踪方法在各种场景中捕获运动变化的持续时间的有效性和稳定性.第1行的图片序列显示了在拥挤的机场候机室中，跟踪一位身着深色上衣的旅客的过程.这位旅客从一排椅子的右侧绕行至左侧，并穿过了一群向相反方向行走的人.这种单一目标的无规律运动变化是无法由运动流模型［3，4］模拟得到的.第2行图片序列显示了对广场上人群的俯视拍摄.虽然被跟踪行人身着的灰色上衣近似于地面颜色，但仍能被正确跟踪，显示出本算法对于相似颜色条件下的跟踪仍可保持较高的精确性.第3行图片序列来自于2009年的PETS测试图库，显示了一群人在校园中从西向东行走的场景.由于镜头较远，因此人在图片中所占比例较小，很难捕获人物的具体细节特征，同时地面上斑驳的树影显示出场景的光照条件比较复杂.第4行图片序列展示了地铁楼梯上的异常拥挤场景，人流由上至下缓慢行走，画面中大多为黑色和白色，人与人之间特征差别较小. 在所有这些具有挑战性的场景中，本文提出的方法均能稳定地跟踪到目标.图3 算法跟踪效果示意6 结语本文提供了一种稀疏表示算法在实际场景中目标跟踪的实现方法.可将跟踪过程看作一个稀疏估计问题，并采用L1正则化最小二乘法对其求解.为了适应目标的变化，还引入了动态模板更新算法.经过对多例实际场景视频的跟踪实验，均获得良好的跟踪效果，尤其是具有良好背景分割效果的视频，可以得到准确的跟踪结果.实验表明，该算法具有良好的鲁棒性.但该算法的计算时间花销过大.相信随着计算机的发展、程序的优化，这一问题将会得到解决.参考文献:【相关文献】［1］MEI X，LING H.Robust visual tracking and vehicle classification via sparse representation ［J］.PAMI，2011，33(11):2 259-2 272.［2］LUCAS B，KANADE T.An iterative image registration technique with an applicationto stereo vision［C］//ICJAI，1981:674-679.［3］RODROGIEZ M，ALI S，KANADE T.Tracking in unstructured crowded scenes，computer vision［C］//2009 IEEE 12th International Conference on Kyoto， Japan， Sep.，2009:1 389-1 396.［4］ALI S，MUBARAK Shah.Floor fields for tracking in high density crowd scenes［C］//ECCV’08 Proceedings of the 10th European Conference on Computer Vision，Marseille，France，2008:1-14.。

图像稀疏表示及图像超分辨应用分析韩小虎【摘要】随着科学技术的进步，图像稀疏表示以及图像超分辨在当下的图像处理中得到了较为广泛的应用，对于图像高效率表示来说，具有十分重要的影响。

图像稀疏表示技术以及图像超分辨应用对于促进图像应用发展起到了较为不错的效果，其在应用过程中，主要基于图像稀疏表示模型，对稀疏分解以及字典构造问题进行了表述。

文章对图像稀疏表示及图像超分辨过程中的稀疏表示及图像超分辨应用上的图像去噪、修复以及识别问题进行了总结和分析，希望能够为图像稀疏表示及图像超分辨应用提供一些参考和建议。

%With the progress of science and technology, the image sparse said, image super resolution has been extensively applied in the current image processing, for efifcient image representation that has very important inlfuence. Image sparse said technology and image superresolution application for promoting the image application development process, the effect is good, the in the application process, mainly based on image sparse representation model, the sparse decomposition and dictionary structure are described. The image sparse said and image superresolution application analysis process, mainly the sparse said and super-resolution image application in image denoising, repair and recognition Summarizing and analyzing the problems, I hope this study can provide some reference and suggestions for image sparse representation and image super-resolution.【期刊名称】《无线互联科技》【年(卷),期】2016(000)003【总页数】2页(P112-113)【关键词】图像稀疏表示;图像超分辨应用;图像处理【作者】韩小虎【作者单位】河南大学，河南开封 473004【正文语种】中文图像稀疏表示及图像超分辨应用是信息技术发展到一定阶段的产物，这2种技术手段在图像处理过程中发挥着重要作用。

⽬标跟踪算法综述第⼀部分：⽬标跟踪速览先跟⼏个SOTA的tracker混个脸熟，⼤概了解⼀下⽬标跟踪这个⽅向都有些什么。

⼀切要从2013年的那个数据库说起。

如果你问别⼈近⼏年有什么⽐较niubility的跟踪算法，⼤部分⼈都会扔给你吴毅⽼师的论⽂，OTB50和OTB100(OTB50这⾥指OTB-2013，OTB100这⾥指OTB-2015，50和100分别代表视频数量，⽅便记忆)：Wu Y, Lim J, Yang M H. Online object tracking: A benchmark [C]// CVPR, 2013.Wu Y, Lim J, Yang M H. Object tracking benchmark [J]. TPAMI, 2015.顶会转顶刊的顶级待遇，在加上引⽤量1480+320多，影响⼒不⾔⽽喻，已经是做tracking必须跑的数据库了，测试代码和序列都可以下载：，OTB50包括50个序列，都经过⼈⼯标注：两篇论⽂在数据库上对⽐了包括2012年及之前的29个顶尖的tracker，有⼤家⽐较熟悉的OAB, IVT, MIL, CT, TLD, Struck等，⼤都是顶会转顶刊的神作，由于之前没有⽐较公认的数据库，论⽂都是⾃卖⾃夸，⼤家也不知道到底哪个好⽤，所以这个database的意义⾮常重⼤，直接促进了跟踪算法的发展，后来⼜扩展为OTB100发到TPAMI，有100个序列，难度更⼤更加权威，我们这⾥参考OTB100的结果，⾸先是29个tracker的速度和发表时间(标出了⼀些性能速度都⽐较好的算法)：接下来再看结果(更加详细的情况建议您去看论⽂⽐较清晰)：直接上结论：平均来看Struck, SCM, ASLA的性能⽐较⾼，排在前三不多提，着重强调CSK，第⼀次向世⼈展⽰了相关滤波的潜⼒，排第四还362FPS简直逆天了。

速度排第⼆的是经典算法CT(64fps)(与SCM, ASLA等都是那个年代最热的稀疏表⽰)。

基于深度学习的目标跟踪与跟随技术研究基于深度学习的目标跟踪与跟随技术研究摘要目标跟踪与跟随是计算机视觉领域中的一个重要研究方向，它可以应用于机器人导航、自动驾驶、安防监控等多个领域。

本文基于深度学习的目标跟踪与跟随技术进行了详细研究和探讨。

首先，对目标跟踪与跟随的基本概念和挑战进行了阐述。

然后，介绍了一些经典的目标跟踪方法，并对它们的优缺点进行了分析。

接着，详细介绍了深度学习在目标跟踪与跟随中的应用情况，并分析了其优势和局限性。

最后，展望了未来深度学习在目标跟踪与跟随技术中的发展方向和挑战。

关键词：目标跟踪与跟随、深度学习、计算机视觉、机器学习1. 引言在计算机视觉领域，目标跟踪与跟随是一个重要而具有挑战性的问题。

目标跟踪涉及在连续图像序列中准确地定位和跟踪感兴趣的目标。

而目标跟随则是指在移动平台上追踪和跟随目标的能力。

这些技术有着广泛的应用，比如机器人导航、自动驾驶、安防监控等。

随着深度学习的快速发展，其在目标跟踪与跟随技术中的应用也越来越受到关注。

通过使用深度神经网络，可以有效提取和表示目标的特征，从而改善目标跟踪和跟随的性能。

本文将详细探讨基于深度学习的目标跟踪与跟随技术，并分析其优势和局限性。

2. 目标跟踪与跟随的基本概念和挑战目标跟踪与跟随的基本任务是在视频序列中找到感兴趣的目标，并准确地跟踪它的位置。

这需要解决几个关键问题，包括目标的表示和特征提取、背景建模和更新、目标的运动模型等。

其中，目标表示和特征提取是目标跟踪与跟随的核心问题之一。

传统的方法通常依赖于手工设计的特征，如颜色、纹理、形状等。

然而，由于目标的外观和背景的变化，手工设计的特征通常无法很好地适应各种场景。

而深度学习技术可以自动地学习目标的特征表示，从而提高目标跟踪的性能。

另一个挑战是背景建模和更新。

目标跟踪的一个重要问题是如何对背景进行建模，并通过更新来适应场景的变化。

在复杂的场景中，背景可能会发生剧烈的变化，包括光照变化、背景干扰等。