基于超像素和判别稀疏的运动目标跟踪算法
图像处理中的目标跟踪算法设计与性能评估方法
图像处理中的目标跟踪算法设计与性能评估方法目标跟踪是计算机视觉领域中一项重要的任务，广泛应用于视频监控、智能交通、无人驾驶和增强现实等领域。
目标跟踪算法设计与性能评估是提高跟踪准确性和效率的关键。
本文将介绍图像处理中的目标跟踪算法设计以及常用的性能评估方法。
一、目标跟踪算法设计目标跟踪算法旨在从连续的图像序列中，准确地估计目标的位置和尺度。
以下是几种常见的目标跟踪算法设计方法：1. 基于模板的方法：该方法将目标的初始位置和尺度作为模板，在后续图像中寻找与模板最相似的区域作为目标的位置。
基于模板的方法包括均值漂移、相关滤波器和模板匹配等。
2. 基于特征的方法：该方法通过提取目标的特征信息进行跟踪，常用的特征包括颜色、纹理、形状和运动等。
基于特征的方法包括卡尔曼滤波器、粒子滤波器和深度学习等。
3. 基于超像素的方法：该方法将图像分割成若干个超像素，在跟踪过程中利用超像素的空间关系和相似性来估计目标的位置。
基于超像素的方法包括稀疏表示、分割与跟踪、跟踪与检测等。
二、性能评估方法评估目标跟踪算法的性能是十分重要的，以下是几种常用的性能评估方法：1. 准确性评估：准确性是评估目标跟踪算法的核心指标之一，通常使用重叠率（Overlap Rate）和中心误差（Center Error）来衡量。
重叠率是目标边界与跟踪结果的交集与并集之比，中心误差是目标中心与跟踪结果中心的欧氏距离。
高重叠率和低中心误差表示算法具有较好的准确性。
2. 鲁棒性评估：鲁棒性是评估目标跟踪算法抗干扰能力的指标，常见的鲁棒性评估方法包括光照变化、尺度变化、遮挡和快速运动等。
通过在各种干扰情况下测试算法的跟踪准确性，可以评估算法的鲁棒性。
3. 复杂度评估：复杂度评估是评估目标跟踪算法的计算复杂度和运行速度的指标，常用的复杂度评估方法包括处理帧率、平均处理时间和内存占用等。
较低的复杂度和较快的运行速度表示算法具有较好的效率。
4. 数据集评估：数据集评估是常用的目标跟踪算法性能评估方法之一，目标跟踪领域有许多公开的数据集，如OTB、VOT和LAR等。
利用稀疏编码进行视频目标跟踪的算法研究
利用稀疏编码进行视频目标跟踪的算法研究随着计算机视觉技术的不断发展，视频目标跟踪逐渐成为一个热门的研究领域。
在实际应用中，准确地追踪视频中的目标对于许多任务至关重要，如智能监控、自动驾驶等。
然而，由于视频中目标的运动、光照变化等因素的影响，目标跟踪仍然面临许多挑战。
在目标跟踪中，稀疏编码是一种常用的方法。
稀疏编码是一种信号处理技术，通过将信号表示为一组基的线性组合来实现。
在视频目标跟踪中，将目标表示为一组基的线性组合，并通过稀疏编码的方法来获得目标的稀疏表示，从而实现目标的跟踪。
稀疏编码的核心思想是，信号可以通过少量的基来表示。
在视频目标跟踪中，可以将目标表示为一组基的线性组合，其中基是预先学习得到的。
通过将目标表示为稀疏向量，可以减少目标跟踪过程中的冗余信息，提高跟踪的准确性和效率。
在实际应用中，稀疏编码的方法可以分为两个阶段：在线学习和目标跟踪。
在线学习阶段是指通过观察视频序列中的目标来学习目标的表示。
在这个阶段，可以使用稀疏编码算法来获得目标的稀疏表示。
目标跟踪阶段是指根据目标的稀疏表示来进行目标的跟踪。
在这个阶段，可以使用稀疏编码算法来计算目标在当前帧中的稀疏表示，并根据稀疏表示来更新目标的位置。
稀疏编码的方法在视频目标跟踪中具有许多优点。
首先，稀疏编码可以减少目标跟踪过程中的冗余信息，提高跟踪的准确性和效率。
其次，稀疏编码可以适应目标的变化，如光照变化、目标形状变化等，从而提高跟踪的鲁棒性。
此外，稀疏编码的方法还可以结合其他技术，如深度学习、卷积神经网络等，进一步提高目标跟踪的性能。
然而，稀疏编码的方法在视频目标跟踪中仍然存在一些挑战。
首先，稀疏编码的计算复杂度较高，需要大量的计算资源。
其次，稀疏编码的方法对于目标的表示能力有一定的限制，无法很好地处理目标的复杂变化。
此外，稀疏编码的方法对于噪声和干扰较为敏感，容易受到外界环境的干扰。
为了解决这些挑战，研究人员提出了许多改进的稀疏编码算法。
基于超像素的目标跟踪方法研究
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ： Ａｉ ｍｅ ｄ ａ ｔ ｔ ｈ ｅ ｐ ｒ ｏ ｂ ｌ ｅ ｍｓ ｏ ｆ ｐ ａ ｒ ｔ ｉ ａ ｌ ｏ ｃ ｃ ｌ ｕ ｓ ｉ ｏ ｎ ． ｂ ａ ｃ ｋ ｇ ｒ ｏ ｕ ｎ ｄ ｉ ｎ ｔ ｅ ｒ ｆ ｅ ｒ ｅ ｎ ｃ ｅ ａ ｎ ｄ ｏ ｔ ｈ ｅ ｒ ｉ ｓ ｓ ｕ ｅ ｓ ｉ ｎ ｖ ｉ ｓ ｕ ａ ｌ ｏ ｂ ｊ ｅ ｃ ｔ ｔ ｒ ａ ｃ ｋ ｉ ｎ ｇ
ＺＨ Ｏ Ｕ Ｚｈｉ ｐ ｉ ｎｇ， ＳＨ Ｉ Ｘｉ ａ ｏｆ ｅ ｎｇ
（ Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆｌ ｎ ｔ ｅ ｒ ｎ ｅ ｔ ｏ ｆＴ ｈ ｉ ｎ ｇ ｓ
ｊ ｅ Ｐ ｒ ｆ 怊， Ｊ ｉ ａ ｎ ｇ ｎ ａ ｎ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ， Ｗ ｕ ｘ ｉ ２ １ ４ １ ２ ２ ， Ｊ ｉ ａ ｎ ｇ ｓ ｕ Ｐ ｒ ｏ ｖ ｉ ｎ ｃ ｅ ， Ｃ ｈ ／ ｎ ａ）
ｓ ｅ ｇ ｍｅ ｎ ｔ ｔ ｈ ｅ ｔ ａ ｒ ｇ ｅ ｔ ａ ｎ ｄ ｈｅ ｔ ｓ ｕ ｒ ｒ ｏ ｕ ｎ ｄ ｉ ｎ ｇ ａ ｒ ｅ ａ ｎｔ ｉ ｏ ｓ ｕ ｐ ｅ ｒ ｐ ｉ ｘ ｅ ｌ ｓ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｔ ｅ ｘ ｔ ｕ ｒ ｅ ｆ ｅ ａ ｕｒ ｔ ｅ ｒ ｅ ｐ ｒ ｅ ｓ ｅ ｎ ｔ ｅ ｄ ｂ ｙ ｌ ｏ ｃ ａ ｌ ｅ ｎ ｔ ｒ ｏ ｐ ｙ ａ ｎ ｄ ｃ ｏ ｌ ｏ ｒ ｆ ｅ ａ ｕｒ ｔ ｅ ． Ｔ ｈ ｅ ｎ ｃ ｏ ｎ ｉｄ ｆ ｅ ｎ ｃ ｅ ｍａ ｐ ｉ ｓ ｅ ｓ ｔ ａ ｂ ｌ ｉ ｓ ｈ ｅ ｄ ｂ ｙ ｔ ｈ ｅ ａ ｐ ｐ ｅ ａ ｒ ａ ｎ ｃ ｅ ｏ ｆ ｔ ｒ ａ ｉ ｎ ｉ ｎ ｇ ｍｏ ｄ ｅ ｌ ｔ ｏ ｅ ｎ ｄ ｏ ｗ ｅ ａ ｃ ｈ ｐ ｉ ｘ ｅ ｌ ｗｉ ｔ ｈ ｈｅ ｔ ｃ ｏ ｎ ｉｄ ｆ ｅ ｎ ｃ ｅ ｖ ａ ｌ ｕ ｅ ． Ｕｐ ｄ ａ ｔ ｉ ｎ ｇ ｔ ｈ ｅ ａ ｐ ｐ ｅ ａ ｒ ａ ｎ ｃ ｅ ｍｏ ｄ ｅ ｌ ｅ ｎ ｓ ｕ ｒ ｅ ｓ ｔ ｈ ｅ ｔ ｒ ａ ｃ ｋ ｉ ｎ ｇ ｐ ｒ ｏ ｃ ｅ ｓ ｓ ， ｗｈ ｉ ｃ ｈ ｃ ａ ｎ ａ ｄ ａ ｐ ｔ ｔ ｏ ｔ ｈ ｅ ｃ ｈ ａ ｎ ｇ ｅ ｓ ｏ ｆ ｔ ａ ｒ ｇ ｅ ｔ ａ ｎ ｄ ｂ ａ ｃ ｋ ｇ ｒ ｏ ｕ ｎ ｄ ． Ｆ ｉ ｎ ａ ｌ ｌ ｙ ，ｔ ｈ ｅ ｌ ｏ ｃ ａ ｔ ｉ ｏ ｎ ｏ ｆ ｈｅ ｔ ａｒ ｔ ｇ ｅ ｔ ｉ ｓ ｆ ｏ ｕ ｎ ｄ ａ ｃ ｃ ｏ ｒ ｄ ｉ ｎ ｇ ｔ ｏ ｈｅ ｔ ｃ ｏ ｎ ｉ ｆ ｄ ｅ ｎ ｃ ｅ ｍａ ｐ ．Ｔ ｈ ｅ ｅ ｘ ｐ ｅ ｒ ｉ ｍｅ ｔａ ｎ ｌ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｓ ｈ ｏ ｗ ｔ ｈ ａ ｔ ｔ ｈ ｅ ｐ ｒ ｏ ｐ ｏ ｓ ｅ ｄ ｔ ｒ ａ ｃ ｋ ｉ ｎ ｇ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｃ ａ ｎ ｅ ｆ ｆ ｅ ｃ ｔ ｉ ｖ ｅ ｌ ｙ ｉ ｆ ｎ ｄ ｔ ｈ ｅ ｔ ａ ｒ ｇ ｅ ｔ ｐ ｏ ｓ ｉ ｔ ｉ ｏ ｎ ｎ ｉ ｔ ｈ ｅ ｃ ａ ｓ ｅ ｏ ｆ ｐ ａ ｒ ｔ ｉ ａ ｌ ｏ ｃ ｃ ｌ ｕ ｓ ｉ ｏ ｎ ｏ ｒ ｂ ａ ｃ ｋ ｇ ｒ ｏ ｎｄ ｕ ｉ ｎ ｔ ｅ ｒ ｆ ｅ ｒ ｅ ｎ ｃ ｅ ． Ｋｅ ｙ ｗｏ ｒ ｄ ｓ ： ｓ ｕ ｐ ｅ ｒ ｐ ｉ ｘ ｅ ｌ ｓ ； ｔ ａ ｒ ｇ ｅ ｔ ｔ ｒ ａ ｃ ｋ ｉ ｎ ｇ ； ｃ ｏ ｎ ｉｄ ｆ ｅ ｎ ｃ ｅ ｍａ ｐ； ａ ｐ ｐ ｅ ａ ｒ ａ ｎ ｃ ｅ ｍｏ ｄ ｅ ｌ ； ｐ ａ ｔｉ ｒ ａ ｌ ｏ ｃ ｃ ｌ ｕ ｓ ｉ ｏ ｎ
基于超像素的飞行器图像目标跟踪算法研究
基于超像素的飞行器图像目标跟踪算法研究随着无人机技术的不断发展和普及，对无人机视觉技术的需求不断增加。
其中，无人机图像目标跟踪技术是无人机视觉技术中的重要内容。
而基于超像素的飞行器图像目标跟踪算法是当前较为热门的研究方向之一。
一、超像素在图像处理中的应用超像素是一种新的图像分割方法，将像素按照一定规则组合成更大的单元，其在图像压缩、图像分割、图像识别等领域的应用具有广泛前景。
由于超像素切分后的像素个数较少，能够保留大部分图像信息的同时减小计算复杂度，因此在图像处理领域有许多应用。
二、基于超像素的飞行器图像目标跟踪算法基于超像素的飞行器图像目标跟踪算法，是将超像素与目标跟踪技术相结合，以提高目标检测和跟踪的性能。
在此算法中，首先将图像分割为若干个超像素单元，然后对超像素单元进行特征提取，得到各超像素单元的特征向量。
在接下来的目标跟踪过程中，将以超像素单元为单位，根据目标运动模型和目标状态卡尔曼滤波器将当前帧的超像素与上一帧的超像素匹配，以获取目标的运动轨迹。
三、基于超像素的飞行器图像目标跟踪算法的优缺点基于超像素的飞行器图像目标跟踪算法相比于传统的图像目标跟踪算法，具有以下优点：1. 能够有效地降低跟踪算法的运算时间，从而提高算法的效率。
2. 由于超像素单元内具有更为相似的图像信息，因此能够更准确地识别和跟踪目标。
3. 能够对图像信息进行有效压缩，从而减少存储空间和传输带宽。
但是，基于超像素的飞行器图像目标跟踪算法也存在如下缺点：1. 超像素的数量和位置的选取对算法的效果有决定性影响，如果选取不当，算法的跟踪效果会受到影响。
2. 超像素的分割过程需要对图像进行预处理，从而增加了算法的运算时间。
3. 对于被遮挡的图像目标，基于超像素的跟踪算法容易出现误判的情况。
四、结语在无人机应用领域，基于超像素的飞行器图像目标跟踪算法具有广泛应用前景，并已在无人机导航、无人机图像识别等领域得到广泛应用。
但是在实际应用中，需要根据具体的应用场景和跟踪需求，选择合适的跟踪算法和系统设计方案。
基于背景图像集与稀疏分析的运动目标检测_包金宇
收稿日期：2012-11-19；修回日期：2012-12-19。
基金项目：江苏省高校科研成果产业化推进项目（JHB2011-6）。
作者简介：包金宇（1988－），男，江苏苏州人，硕士研究生，主要研究方向：视频图像运动目标跟踪；王慧斌（1967－），男，山西阳泉人，教授，博士，CCF 会员，主要研究方向：视频信息处理、多传感器信息融合、多媒体通信；陈哲（1983－），男，江苏徐州人，博士研究生，主要研究方向：智能信息处理、图像处理、水下图像处理；沈洁（1980－），女，江苏苏州人，博士研究生，主要研究方向：信号与信息处理。
文章编号：1001－9081（2013）05－1401－05doi ：10．3724/SP．J．1087．2013．01401基于背景图像集与稀疏分析的运动目标检测包金宇，王慧斌*，陈哲，沈洁（河海大学计算机与信息学院，南京210000）(*通信作者电子邮箱hbwang@hhu．edu．cn)摘要：针对环境光照变化时，现有背景建模方法不能有效检测运动目标的问题，给出了一种基于背景图像集与图块稀疏分析的运动目标检测方法。
该方法融合了稳健主成分分析(ＲPCA )和基于稀疏表示的图块分析方法，通过ＲPCA 从一组视频序列中得到系列背景图像，组合这些背景图像为背景集合。
以图像块为基本单元，基于稀疏表示方法对图像块分析处理，提取运动目标。
实验仿真表明该方法能够在环境光照突变时，有效消除噪声对目标检测的影响，降低目标检测的误检率，达到较为鲁棒的检测效果。
关键词：图像处理;目标检测;背景图像集;稳健主成分分析;稀疏表示中图分类号：TP391．41文献标志码：AMoving object detection based on background image set and sparse analysisBAO Jinyu，WANG Huibin *，CHEN Zhe，SHEN Jie(Institute of Computer and Information，Hohai University，Nanjing Jiangsu 210000，China )Abstract:This paper proposed a moving target detection method based on the background image set and sparse representation．The method combined the Ｒobust Principal Component Analysis (ＲPCA)and the image block analysis method based on sparse representation．The authors got a series of background images from a video sequence by ＲPCA，and combined these background images as the background image set，treating image block as basic unit，and moving target was extracted from input frame by image block analysis method based on sparse representation．The simulation results indicate that when the background illumination mutates，the proposed method can effectively eliminate the impact of environment noise and reduce the false detection rate of target detection．Key words:image processing;target detection;background image set;Ｒobust Principal Component Analysis (ＲPCA);sparse representation0引言运动目标检测是指从视频图像中提取感兴趣的运动目标，确定运动目标所在区域的图像处理过程。
一种基于超像素的局部判别式跟踪算法
一种基于超像素的局部判别式跟踪算法
1超像素跟踪算法
超像素跟踪算法是一种基于超像素的局部判别式跟踪算法，主要是将目标对象从图像中检测出来并进行跟踪。
它以超像素为基础，基于目标的局部特征和先验知识，将图像中的跟踪目标分解成一系列可更新的超像素簇，以此跟踪每一个目标类实例。
该算法具有实时性、准确性和高可靠性等特点，一般用于单目标跟踪任务。
2工作原理
超像素跟踪算法可以构建一个可调整的超像素框架，将目标对象从图像中检测出来并跟踪。
首先，超像素框架以图像中的变化为基础，以及不同框架帧中的各种局部特征，将图像划分为一系列超像素，利用超像素之间的连通性构成超像素簇。
然后，算法利用目标类中特定的先验知识，通过计算两个不同框架之间超像素簇的漂移来跟踪每个目标实例，也就是说，将每个待跟踪的目标投影到某一个特定的超像素簇中，然后根据超像素簇的漂移来跟踪目标。
3优缺点
超像素跟踪算法的优势在于它能够有效地检测和跟踪目标，具有实时性、准确性和高可靠性等优点。
缺陷在于它不能很好地处理图像中的复杂背景，也不能很好的排除图像中干扰的背景噪声。
基于稀疏光流算法的运动目标检测研究
基于稀疏光流算法的运动目标检测研究随着计算机视觉技术的不断发展，运动目标检测技术已经成为目前计算机视觉领域的重要研究方向之一。
运动目标检测技术不仅应用于视频监控、智能交通等领域，也在许多其他领域中得到了广泛应用。
运动目标检测技术的核心是对运动目标进行准确且实时的检测，因此对于运动目标的连续跟踪和运动目标区域的准确提取都具有重要意义。
本文介绍了基于稀疏光流算法的运动目标检测研究的一些关键技术和方法。
稀疏光流算法是一种常用的计算机视觉算法，它可以用来解决运动目标检测问题。
它的主要思想是通过分析图像中像素的运动信息来确定运动目标在图像中的位置和大小。
稀疏光流算法的核心思路是利用像素的运动信息来推断对象的运动状态，基于这个思路，可以通过计算在相邻图像帧之间相邻像素之间的灰度值差异信息来实现检测。
稀疏光流算法相对于其他运动目标检测算法的优势在于：它能够在高速运动，光照变化，杂波干扰等情况下都能很好地工作，而且能够在计算和存储方面做到相对较小的开销。
本文的核心研究内容是基于稀疏光流算法的运动目标检测。
主要包括以下几个方面的内容：1. 图像去噪处理在稀疏光流算法中，由于图像上的噪声会对光流估计造成干扰，因此需要对图像进行去噪处理。
在本研究中，使用多尺度高斯滤波器和双边滤波器配合使用，以同时消除图像中的高斯噪声和增加图像对比度。
2. 光流计算光流计算是运动目标检测中最关键的环节之一。
在本研究中，使用基于亚像素精度的稀疏光流算法来计算运动向量场。
基于稀疏光流算法的优势在于它能够有效减少光流计算所需的计算量，并且能够在图像中更准确地计算光流。
3. 运动目标区域提取在计算出光流向量场之后，可以通过一系列的处理操作来提取图像中的运动目标区域。
在本研究中，提出了一种新的运动目标区域提取方法，它利用各个像素点的光流向量来判断像素点是否属于运动目标区域，从而提取运动目标区域。
实验证明，该方法不仅可以降低误检率和漏检率，还能够提高运算速度。
稀疏编码在运动目标检测与跟踪中的应用探索
稀疏编码在运动目标检测与跟踪中的应用探索近年来，随着计算机视觉领域的不断发展，稀疏编码作为一种重要的数据处理技术，被广泛应用于运动目标检测与跟踪领域。
稀疏编码通过对图像或视频数据进行压缩和重建，能够有效提取关键信息，实现目标的准确检测和跟踪。
本文将探索稀疏编码在运动目标检测与跟踪中的应用，并介绍其原理和优势。
一、稀疏编码的原理稀疏编码是一种基于信号稀疏性的数据表示方法。
其核心思想是通过选择少量的基向量，将输入信号表示为这些基向量的线性组合。
在稀疏编码中，通常使用L1范数作为稀疏性度量，通过最小化L1范数，可以得到最稀疏的表示。
稀疏编码的原理可以用以下数学模型表示：min ||x||1，s.t. y = Ax其中，x表示稀疏编码的系数，y表示输入信号，A表示基向量矩阵。
通过求解上述优化问题，可以得到最优的稀疏表示。
二、稀疏编码在运动目标检测中的应用稀疏编码在运动目标检测中的应用主要包括两个方面：特征提取和目标检测。
1. 特征提取稀疏编码可以通过学习稀疏表示的基向量，从输入的图像或视频数据中提取出关键的特征信息。
通过选择适当的基向量，可以提取出与目标运动相关的特征，从而实现对目标的准确检测和跟踪。
2. 目标检测稀疏编码可以将输入信号表示为基向量的线性组合，从而实现对目标的检测。
通过选择适当的基向量，可以将目标与背景进行有效分离，提高目标检测的准确性和鲁棒性。
三、稀疏编码在运动目标跟踪中的应用稀疏编码在运动目标跟踪中的应用主要包括两个方面：目标表示和目标跟踪。
1. 目标表示稀疏编码可以通过学习稀疏表示的基向量，将目标表示为这些基向量的线性组合。
通过选择适当的基向量，可以提取出与目标运动相关的特征，从而实现对目标的准确表示。
2. 目标跟踪稀疏编码可以通过对目标的稀疏表示进行更新，实现目标的跟踪。
通过选择适当的基向量，可以将目标与背景进行有效分离，提高目标跟踪的准确性和鲁棒性。
四、稀疏编码在运动目标检测与跟踪中的优势稀疏编码在运动目标检测与跟踪中具有以下优势：1. 高效性：稀疏编码能够通过选择少量的基向量，实现对输入信号的高效表示和重建，从而提高运动目标检测与跟踪的效率。
- 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)。
摘 要：针对目标遮挡、非刚性变换、光照变换等因素干扰产生的漂移问题，提出基于超像素和判别稀疏的运动目标 跟踪算法。算法首先利用 SLIC 方法对运动目标的观测区域进行超像素分割，然后通过 K-Means 算法构建包含目标 和背景的超像素字典，再基于判别稀疏表示和 ℓ1 范数最小化框架求解候选目标的稀疏系数，同时结合粒子滤波框架 和在线字典更新策略完成目标跟踪。实验结果表明 ，该算法在多种因素干扰的环境中具有较强的鲁棒性 ，能够准确 稳定地进行在线目标跟踪。 关键词：判别稀疏 ；超像素 ；目标跟踪 ；表观模型 文献标志码：A 中图分类号：TP391.41 doi：10.3778/j.issn.1002-8331.1708-0402
QIU Xiaorong, PENG Li, LIU Quansheng. Object tracking algorithm based on superpixel and discriminative sparsity. Computer Engineering and Applications, 2018, 54（15）：1-5.
1 引言
运动目标跟踪是指在连续的视频或图像序列中运 用在线跟踪算法对运动目标进行状态估计和跟踪的过 程。作为机器视觉领域的重要研究方向，运动目标跟踪 已 被 广 泛 应 用 于 视 频 监 控 、事 件 检 测 、运 动 分 析 等 领
域。近年来，相关科研人员对常用的运动目标跟踪算法 进行了广泛而有效的研究，Kristan 等人[1]评估了 70 种有 效算法在 60 个短视频序列上的跟踪效果，用以解决跟 踪过程中遇到的目标遮挡、光照变换、运动变换、尺寸变 换、摄像机运动等干扰问题。根据 Wu 等人[2]所做的研
基金项目：国家自然科学基金（No.61374047）；江苏高校品牌专业建设工程项目（No.PPZY2015C240）。 作者简介：邱晓荣（1979—），男，博士研究生，讲师，研究领域为运动目标检测与跟踪，E-mail：qiuxiaorong1979@；彭力
（1967—），男，教授，博士生导师，研究领域为视觉传感器网络；刘全胜（1969—），男，博士研究生，教授，研究领域为传 感网数据分析与融合。 收稿日期：2017-08-31 修回日期：2017-10-18 文章编号：1002-8331（2018）15-0001-05
Computer Engineering and Applications 计算机工程与应用
20像素和判别稀疏的运动目标跟踪算法
邱晓荣 1，2，彭 力 3，刘全胜 2，3
QIU Xiaorong1，2, PENG Li3, LIU Quansheng2，3
1. 马来西亚管理科学大学 信息科学与工程学院，雪兰莪 莎阿南 40100 2. 无锡职业技术学院 物联网技术学院，江苏 无锡 214121 3. 江南大学 物联网工程学院，江苏 无锡 214122 1.Faculty of Information Sciences & Engineering, Management & Science University, Shah Alam 40100, Malaysia 2.School of Internet of Things Technology, Wuxi Institute of Technology, Wuxi, Jiangsu 214121, China 3.School of Internet of Things Engineering, Jiangnan University, Wuxi, Jiangsu 214122, China