姓名：朱睿琦
学号：15180288015
【嵌牛导读】：随着人工智能的发展，视频目标跟踪技术已经成为计算机视觉中一个重要的研究方向。它在智能监控、交通检测、人机交互、行为识别、军事、医学等领域有着了广泛的应用。尽管近年来视觉跟踪算法研究取得了长足的进步，但是复杂场景中存在的光照变化、严重遮挡、尺度变化、非刚性形变、运动模糊、背景杂波等因素引起的目标外观的变化，使得设计一个在各种复杂场景的情况下能够准确跟踪的算法仍然是一项挑战性的难题。粒子滤波框架下，基于低秩稀疏表示理论从外观模型的不同角度提出了两种鲁棒性的目标跟踪算法。下文将简要对其技术进行介绍
【嵌牛鼻子】：视频目标跟踪，低秩，稀疏，鲁棒性
【嵌牛提问】：低秩模型和稀疏模型如何应用于图像处理？
【嵌牛正文】：对象跟踪是基于运动和外观一致性的属性来确定连续视频帧中目标的状态的过程。在本文中，我们介绍了一个基于粒子滤波器框架进行跟踪的低阶稀疏跟踪器（CLRST）。通过利用时间一致性，提出的CLRST算法自适应地修剪和选择候选粒子。通过使用字典模板的线性稀疏组合，所提出的方法利用一致的低秩约束来联合地学习与候选粒子对应的图像区域的稀疏表示。此外，所提出的CLRST算法具有计算上的优势，因为时间一致性属性有助于修剪粒子，并且可以通过一系列闭合形式更新操作有效地解决用于学习关联稀疏表示的低阶最小化问题。实验结果表明，在精度和执行时间方面，CLRST算法对最先进的跟踪方法有很好的表现。
视觉跟踪是计算机视觉中的一个众所周知的问题，它包括监视、机器人、人机交互和运动分析等许多应用。尽管具有理论的成功，设计能够抗遮挡、背景杂波、视点变化以及光照和尺度变化等干扰因素的鲁棒视觉追踪算法仍具有挑战性。
最近，许多基于L1范数最小化算法已经提出了视觉跟踪中，图像可以由具有在线更新的模板字典稀疏地表示。这些方法表明，稀疏表示的使用有利于处理图像部分遮挡或照明发生变化的情况。然而，这些方案需要解决L1最小化问题，这是十分耗时的。此外，由于通常在粒子滤波器框架中估计目标状态，所以计算成本随采样粒子的数量线性增加。更重要的是，这些方法可以独立地学习对应于绘制的粒子的稀疏表示，而不考虑约束它们的基础关系。
为了解决这些问题，我们利用时间一致性属性以及图像观察的基本关系。通过利用时间一致性，可以通过使用先前的跟踪结果来修剪不相关的粒子，从而降低总体计算成本。在裁剪的过程中，基于当前字典候选粒子的线性表示的约束是低秩稀疏。在这项工作中，低秩属性捕获对应于候选粒子的图像观察的基础结构。这种结构是由于下图所示的经验结果所引起的候选粒子的图像观察倾向于位于低秩子空间中，其中一些人也有非常相似的视觉外观。因此，我们利用稀疏性，低秩约束和时间一致性来学习与候选粒子相对应的鲁棒线性表示，用于有效和有效的对象跟踪。
提出的视觉跟踪算法是基于以下观察开发的：
-最优粒子是基于由目标对象模板组成的当前字典，图像观察具有最低重构误差的粒子
-应利用时间一致性来约束候选粒子，修剪不相关的粒子，从而使跟踪算法更有效率。此外，该属性有助于更稳定的状态预测和跟踪结果。
-修剪后，与剩余候选粒子对应的图像观测值应高度相关，因此相应的图像观测矩阵应具有较低的秩。这些图像观察相应的部分之间的关系，基于稀疏表示方法，应该利用还没有被用在现有的跟踪方法，
-遮挡和噪声影响跟踪每性能，表示的图像误差项可以稀疏建模。
-在跟踪过程中，可以使用在线更新的对象模板和背景模板的字典来更好地表示候选粒子的图像观察。这强调了代表一个目标是什么和它不是什么的重要性。通常，“好”目标候选者的图像观察由对象模板而不是背景模板有效地表示，从而导致稀疏表示。类似地，“不良”目标候选者的图像观察可以由背景模板的字典更稀疏地表示。
稀疏表示理论：
随着2l世纪信息化时代的带来，人们对信息产生了巨大的需求，同时也造成了数据采样、传输和存储的巨大压力。如何在保证信息不失真的情况下尽可能 采集少量的数据?针对这个问题，Candes和Donoho于2006提出了压缩感知 (Compressed Sensing，CS)理论，它的核心思想是将数据采样和数据压缩同时进行。压缩感知指出，只要信号本身是稀疏的或者在某个变换域(如小波变 换、离散余弦变换)上是稀疏的，就可以利用一个与变换基不相关的感知矩阵把稀疏信号投影到一个低维的空间，利用少量的观测数据就可以实现原始信号重 构。该理论突破了奈奎斯特采样定理对采样速率的限制，对于一个稀疏的信号，可以用一个较低的速率进行采样，这样不仅可以降低对采样设备的要求，而且少量的采样数据给传输和存储带来方便。在压缩感知中，研究者进一步提出用过完备的冗余字典表示信号，能够得到信号的稀疏表示。稀疏表示的目的就是将信号用冗余字典中少量原子有效地表示。
低秩表示理论：
秩是矩阵才有的属性，一个矩阵X的秩是它的线性无关的列的最大数目，定义为rank(A)。如果rank(A)远小于m和n，则称X是低秩矩阵。在低秩矩阵中，矩阵是列向量是冗余的，矩阵的每列都可以被其它列线性表示。一种新的低秩子空间学习模型，Low-Rank Representtation(ERR，低秩表示)。这种方法能有效找出采样数据各自所在的子空间，并且具有良好的抗大尺度非均匀噪声的能力。
