1、特征空间投影到个低维的压缩空间，极大地提高了计算速度，达到了实时跟踪的效果。然而，该算法通过朴素贝叶斯分类器对当前跟踪目标在下帧中的位置进行判断，由于贝叶斯分类器得到的最终跟踪目标只是与目标最相似且同时与背景最不相似的样本，故最终得到的位置不定是最佳的目标位置。如果跟踪位置不精确，外观模型将在非准确的目标位置周围提取正样本和负样本来更新分类器，这样长时间跟踪后，将降低分类器的区分能力，并且可能导致漂移。针对上述问题，本章提出了两种改进算法提出了种基于局部区域相似度匹配的改进算法。充分利用视频帧间候选目标局部区域的相似性，使在不受突变背景影响的基础上，在线实时寻找最佳跟踪位置。即在原跟踪算法得到的结果上再使用次目标外观模型，在小区域范围内进行。

2、问题具有等价性，能够得到相同的解。因此公式可以转化为如下范数最小优化问题式是个凸优化问题，可以通过转化为线性规划问题加以求解。范数最小优化问题也称为基追踪方法，其常用的实现算法有内点法和梯度投影法。内点法得到的结果十分准确，但速度比较慢梯度投影法的速度比较快，但得到的结果没有内点法准确。当前，压缩感知的重构算法主要包括贪婪算法和凸优化算法两大类。贪婪算法通过选择合适的原子，经过系列的逐步递增的方式实现信号矢量的逼近，主要包括匹配跟踪算法补空间匹配追踪算法和正交匹配追踪算法等。凸优化算法通过线性规划来求解，主要包括梯度投影法最小角度回归法基追踪法等。凸优化算法相对贪婪算法来说，其解更加精确，但是计算复杂度大。万方数据三峡大学硕士学位论文本文。

3、斯分类器模型随机特征的发展与产生过程压缩感知理论中的核心问题等。这些都是本文算法研究的基础，为后续提出的目标跟踪算法提供了坚实的理论依据。此外，本章也介绍了目标跟踪算法中些常用的定量性能评价指标。万方数据三峡大学硕士学位论文基于局域区域相似度与外观模型再匹配的目标跟踪改进算法引言基于线性随机测量的实时目标跟踪算法是种有效和高效的基于压缩域的实时跟踪算法，该算法兼具了生成模型和判别模型的特征，学习了基于外观特征模板的描述模型，同时使用这些特征通过朴素贝叶斯分类器将目标从背景中分离出来。该算法中基于特征的外观模型是在压缩域中提取的，特征的选择是在基于压缩感知理论，的多尺度图像特征空间中通过个信息保留和非适应性稀疏测量矩阵降维而提取的。该方法将图。

4、，使得对于任意的稀疏信号和矩阵，满足以下关系则称矩阵满足准则，准则的等价条件是测量矩阵和稀疏基正交基是不相关的，这就保证了测量矩阵不会把两个不同的稀疏信号映射到同个集合中，从而保证原空间到稀疏空间是映射的关系。目前常用的测量矩阵包括高斯随机测量矩阵稀疏随机矩阵部分正交矩阵随机贝努力矩阵托普利兹和循环矩阵等。信号的重构算法当矩阵满足准则时，压缩感知理论就可以通过求解式的逆问题，解到稀疏系数，再通过重构信号，将从维的测量值中恢复出来。等人研究证明压缩感知信号恢复问题可以通过范数最小优化求得稀疏系数的估计，其数学模型如下但是范数最小优化求解是个问题，需要寻求另种有效的等价求解方法。文献提出，范数最小优化问题在定条件下与范数最小优化。

5、现为两点之间的欧式距离。因此，中心距离均值为其中，为测试视频帧数，最大误差值和误差的标准差为万方数据三峡大学硕士学位论文重叠率的计算如下其中，为第帧的跟踪框，为第帧当前的跟踪框，表示第帧的重叠面积比率，当时，说明第帧的跟踪是正确的。是两个跟踪框重叠部分的面积即交集，是两个跟踪框的面积的并集，如图所示。白色阴影部分面积为为实线蓝色跟踪框面积为与虚线红色跟踪框面积为之间的交集部分，则，其坐标计算如下第帧中心距离误差第帧中心距离误差重叠率图目标跟踪评价指标示意图。实线蓝色矩形框为标定的跟踪框，虚线红色矩形框为算法所得的跟踪框。本章小结本章介绍了论文涉及到的理论背景知识，其中包括朴素贝。

6、搜索，通过归化互相关系数寻找更精确的目标位置。改进后的跟踪算法在目标不出现长时间的形变下，较大程度地提高了跟踪的准确性。提出了种基于外观模型再匹配的改进算法。将原算法中通过朴素贝叶斯分类器得到的分类值按照降序排列，取前个对应的样本，使用外观模型再匹配算法计算归化互相关系数找到最佳的跟踪目标位置。改进后的跟踪算法在保证原算法实时性的基础上很大程度地提高了跟踪的精度。相对第种改进算法，该算法对目标长时间发生形变的测试视频也能取得比较好的效果。基于线性随机测量的实时目标跟踪算法算法原理依据文献提出的基于线性随机测量的实时目标跟踪算法，具有较好的实时性的优势，经提出就得到了众多相关领域研究者的关注。该算法首先利用符合压缩感知条件的稀疏测量矩阵对原图。

7、究的基于线性随机测量的实时目标跟踪算法使用了压缩感知理论中的稀疏表示和测量矩阵的相关知识，本节介绍了压缩感知理论的整个框架结构是为了更好地理解后面章节中提出的稀疏测量矩阵。目标跟踪算法性能常用评价指标为了比较不同跟踪算法的性能，就需要对目标跟踪的结果进行定量的评价，然而到目前为止，目标跟踪领域仍然没有个统且标准的评价指标。大多数研究者都是采用多个指标来共同评价跟踪结果，同时结合主观视觉进行佐证评价。目前，比较常用的定量评价指标有两种是中心距离均值也称为中心位置误差二是重叠率也称为正确率，。中心距离均值是通过比较算法跟踪结果与人工标定的目标真实值之间的中心位置的欧式距离计算得到。中心距离均值体现了整个算法的跟踪准确性，该值越小说明算法在总体上。

8、的研究价值。本论文在对其进行深入研究的基础上，提出了基于局部区域相似度和外观模型再匹配的两种改进算法与种基于加权分块的改进算法，在定程度上提高了算法的跟踪精度和抗遮挡能力。整个论文的研究工作主要集中在以下四个方面提出了种利用局部区域相似度匹配策略来提升基于线性随机测量的实时目标跟踪精度的改进算法。该算法使用稀疏测量矩阵提取候选目标的低维多尺度特征，在采用朴素贝叶斯分类器判别目标与背景实现粗跟踪的基础上，利用视频帧间候选目标内部区域所具有的相似性，实施基于动态目标外观模型的二次跟踪，在线定位最佳的跟踪目标位置。提出了种利用外观模型再匹配策略来提升基于线性随机测量的实时目标跟踪精度的改进算法。该算法将基于线性随机测量的实时目标跟踪算法中的分类器。

9、最好的。其中，中心距离均值还包括了最大误差值和误差的标准差两个参数指标。最大误差值体现了整个过程中目标偏离真实值的最大值，该值越小说明算法出现漂移的可能性越小，标准差则体现了整个算法跟踪的稳定性，这两个指标在定程度上可以进步辅助中心距离均值进行评价。重叠率借鉴于目标检测中常用的评价指标，其通过比较跟踪算法结果框与真实结果框的交集与并集的比值计算得到。重叠率越大，说明跟踪算法性能越好。中心距离均值包括最大误差值和标准差与重叠率的具体计算方法如下。在第帧中，手动标定的目标正确位置的目标左上角坐标为而跟踪算法所得的目标左上角坐标为则第帧的中心距离误差为如图所示，实线蓝色跟踪框和虚线红色跟踪框之间的黑色实线就是当前帧的中心距离误差，。

10、容外，本论文不含任何其他个人或集体已经发表或撰写过的作品成果。对本文的研究做出重要贡献的个人和集体均已在文中以明确方式标明，本人完全意识到本声明的法律后果由本人承担。学位论文作者签名日期万方数据三峡大学硕士学位论文内容摘要视觉目标跟踪在实际应用中得到了广泛的研究，如智能视频监控人机交互智能交通虚拟现实等。虽然大量的跟踪算法已被提出，但鲁棒和有效的视觉目标跟踪系统仍然是个非常具有挑战性的问题，因为该系统需要能够应对由于姿态与光照变化遮挡以及运动模糊等诸多因素所带来的影响，同时还要兼顾处理的实时性问题。压缩感知理论中的线性随机测量技术能够在保证信息不损失的基础上极大压缩原数据，将其用于基于外观模型的视觉目标跟踪可兼顾跟踪的鲁棒性及实时性，具有较。

11、值按降序排列，取前三十个候选目标，使用目标外观再匹配模型在线寻找最佳的跟踪位置，提高跟踪的精度。提出了种利用加权分块来提升线性随机测量抗遮挡问题的实时目标跟踪改进算法。该算法增加了遮挡处理机制，避免了遮挡发生时对分类器性能的影响。首先对跟踪目标进行模型划分，目标的每个子块模型单独训练各自的分类器。在下帧中，利用训练好的分类器对候选目标样本的相应子块进行判别，根据分类器的得分值赋予不同的权重，得分值高的权重大，得分值最低的分类器将不会更新，有效地降低了被遮挡区域对目标跟踪的影响。通过大量实验评估了本论文所提出的算法的有效性，并对所得实验结果进行了详细分析和对比说明。关键词目标跟踪随机测量朴素贝叶斯外观匹配加权分块模型万方数据三峡大学硕士学位论。

12、的多尺度图像特征做投影，得到个低维的特征向量，该特征向量可以较好的保留高维图像的结构信息。其次，使用稀疏测量矩阵去提取目标和背景的特征，作为在线学习更新朴素贝叶斯分类器的正样本和负样本。最后使用更新后的分类器去分类下帧图像中的目标与背景样本。该算法利用随机投影的降维办法，在保持目标图像特征空间结构不变的基础上极大地提高了基于检测方万方数据分类号密级硕士学位论文朴素贝叶斯框架下基于线性随机测量的实时目标跟踪算法研究学位申请人景静学科专业计算机应用技术指导教师徐光柱副教授二四年五月万方数据，万方数据三峡大学硕士学位论文三峡大学学位论文原创性声明本人郑重声明所呈交的学位论文，是本人在导师的指导下，独立进行研究工作所取得的成果，除文中已经注明引用的。

参考资料：

[1]面对挫折永不言败主题班会动态PPT 编号18060（第16页，发表于2022-06-24）

[2]面对挫折永不言败主题班会动态PPT 编号18060（第16页，发表于2022-06-24）

[3]面对挫折永不言败主题班会动态PPT 编号18060（第16页，发表于2022-06-24）

[4]面对挫折永不言败主题班会动态PPT 编号18060（第16页，发表于2022-06-24）

[5]面对挫折永不言败主题班会动态PPT 编号18060（第16页，发表于2022-06-24）

[6]面对挫折永不言败主题班会动态PPT 编号18060（第16页，发表于2022-06-24）

[7]面对挫折永不言败主题班会动态PPT 编号18030（第16页，发表于2022-06-24）

[8]面对挫折永不言败主题班会动态PPT 编号18060（第16页，发表于2022-06-24）

[9]面对挫折永不言败主题班会动态PPT 编号18060（第16页，发表于2022-06-24）

[10]寝室文化节优秀寝室展示动态PPT 编号18060（第20页，发表于2022-06-24）

[11]寝室文化节优秀寝室展示动态PPT 编号18060（第20页，发表于2022-06-24）

[12]寝室文化节优秀寝室展示动态PPT 编号18034（第20页，发表于2022-06-24）

[13]寝室文化节优秀寝室展示动态PPT 编号18060（第20页，发表于2022-06-24）

[14]寝室文化节优秀寝室展示动态PPT 编号18060（第20页，发表于2022-06-24）

[15]寝室文化节优秀寝室展示动态PPT 编号18060（第20页，发表于2022-06-24）

[16]寝室文化节优秀寝室展示动态PPT 编号18060（第20页，发表于2022-06-24）

[17]寝室文化节优秀寝室展示动态PPT 编号18060（第20页，发表于2022-06-24）

[18]寝室文化节优秀寝室展示动态PPT 编号254（第20页，发表于2022-06-24）

[19]寝室文化节优秀寝室展示动态PPT 编号18060（第20页，发表于2022-06-24）

[20]寝室宿舍卫生与用电安全动态PPT 编号18060（第16页，发表于2022-06-24）