题目：基于压缩感知与在线学习的单目标跟踪算法研究

       视频目标跟踪就是通过模仿人类的视觉系统，让机器能够辨认图像中的运动目标的各项参数，从而对更高层次的行为分析作出贡献。当前计算机视觉技术发展的越来越快，应用范围也越来越广，视觉目标跟踪作为计算机视觉当中最重要的分支之一也收到了更多的关注。大量的科研人员正在进行有关目标跟踪技术的研究工作，并且在国防军工、人机交互、医疗、视频监控等领域起到了非常重要的作用。

       虽然当前目标跟踪领域的有效技术不断增加，可是由于复杂的跟踪背景和目标本身的运动，目标跟踪算法仍然在火热的研究进行当中。目前算法的鲁棒性与实时性也是研究的主要难点所在。

       论文围绕基于检测的跟踪研究复杂场景下的目标跟踪问题，论文的主要工作如下:

（1）提出了一种基于逻辑回归与稀疏表示的单目标跟踪算法。首先，利用逻辑回归的方式进行分类器的设置，对于样本特征没有特殊分布的假设，更具有普适性；并且逻辑回归方式的分类器计算复杂度小，所以选择多个正样本进行分类器训练从而使得分类器准确并且能够保证实时性；其次，将分类器与稀疏表示匹配的想法相结合，融合了生成与判别型算法的优点，既能够引入背景信息减少搜索图像的数量，又能利用模板匹配思路对跟踪目标本身进行建模，从而达到鲁棒性与实时性并济。

（2）提出了一种粒子滤波框架下基于主成分分析压缩特征的目标跟踪算法。首先使用主成分分析（PCA）的方法对HOG特征进行压缩。HOG特征对光照等难点场景不敏感，是一种很好的图像描述子，但由于这种特征维数较高使得算法速度慢。利用PCA对其进行分析能够大幅度降维，达到提高算法实时性的效果。同时将跟踪算法加入到粒子滤波框架下可以将预测信息引入，对分类器的准确分类起到重要作用，能够有效提高算法的鲁棒性。