基于压缩的实时目标追踪（CT）

最新推荐文章于 2025-05-31 21:33:40 发布

manniMagic

最新推荐文章于 2025-05-31 21:33:40 发布

阅读量1.5k

点赞数 2

CC 4.0 BY-SA版权

分类专栏：计算机视觉文章标签：压缩目标追踪算法 CT

本文链接：https://blog.youkuaiyun.com/manniMagic/article/details/73741408

这篇博客介绍了基于压缩的实时目标追踪算法（CT），利用压缩感知理论和随机投影，构建了一个高效、鲁棒的追踪模型。通过随机测量矩阵进行特征降维，结合朴素贝叶斯分类器实现目标与背景的区分，实现在线更新的追踪。实验结果表明算法在应对光照变化、遮挡等情况时表现出良好性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

这是本人第一篇博客，是基于各种大神的基础上写的，若有雷同或相似之处，还望见谅，因为有时候看大神们的博客还是有些疑问，所以这里面包含了一些我自己的或综合大神们的想法，大家一起进步~参考的博客论文会附在后面~有疑问的可以留言讨论！

基于压缩的实时目标追踪（CT）

一．预备知识
压缩感知测量矩阵
压缩感知指出，只要信号是可压缩的或者在某一变换域上是稀疏的，那么就可以用一个与变换基不相关的测量矩阵将变换所得的高维信号投影到低维空间上，然后通过求解一个优化问题从少量观测（投影）中高概率重构出原始信号，已经验证，这样的投影包含了重构信号的足够多的信息。
（1）随机投影
对于一个随机矩阵R，其每一行都包含从高维图像空间x到低维空间v的单位长度的投影数据。即：
v = Rx
这里这里写图片描述，，，且n≪m!
（2）随机观测矩阵
一个典型的满足RIP准则的测量矩阵是随机高斯矩阵，矩阵元素。但是当m的维数足够大时，随机高斯矩阵还是比较稠密的，其运算和存储消耗还是比较大的，因此原文采用了一个非常稀疏的随机测量矩阵，矩阵元素定义为：
这里写图片描述
Achlioptas证明上式s取2或3时，矩阵满足RIP准则。这个矩阵非常容易计算，因为它只需要一个均匀随机数发生器，而且当s=3时这个矩阵，非常稀疏，那么有2/3的矩阵元素不用计算。如果s=3，那么矩阵元素有1/6的概率为√3，有1/6的概率为-√3，有2/3的概率为0。原文中，x∈R^m，取s=m/4，则矩阵R的每一行只需要计算c（小于4）个元素的值。所以它的计算复杂度为O(cn)。只需要存储R的非零元素即可，所以所需存储空间比较少。
二．模型引入
由于姿态变化、光照变化、遮挡和运动模糊等的存在，建立出高效的鲁棒的目标追踪外观模型十分具有挑战性。结合压缩感知理论，一种简单高效且与数据无关的的追踪算法被提出，通过建立基于多尺度图像特征空间提取特征的外观模型。该外观模型采用非自适应的随机投影来保持目标的图像特征空间的结构，采用一个非常稀疏的测量矩阵来提取外观模型的特征，并且采用相同的稀疏测量矩阵压缩前景目标和背景的样本。追