题目：基于SIFT的压缩跟踪算法研究

在人工智能与机器学习越来越深入社会各个领域的今天，计算机视觉仍然扮演着更加重要的角色。人眼从外界获得的信息占人类所获信息全体的75%，即意味着如何准确快速的捕捉视觉信息对于实际的应用有着深刻的意义。现阶段的研究中，视觉跟踪技术在诸如机器监测、人工智能和人机交互等多学科交叉研究领域都有深入的涉猎。但目标在实际运动中往往会因为遮挡、光照、形变等复杂因素使得难以准确定位。
本论文在分析现有的视觉跟踪算法的基础上，主要对影响跟踪算法的2个因素进行了研究与改进：即目标描述模型与目标搜寻算法。为提高目标定位的准确性，本论文采取多实例学习采样与分类的判决策略，将一种改进的图像局部特征(SIFT特征)引入基于分类的跟踪算法，使用基于压缩感知的稀疏矩阵对目标进行特征降维与稀疏编码表示，并提出适合本文算法的权重贝叶斯分类器。本论文的主要研究内容如下：
 (1) 针对基于简单灰度信息的特征无法准确描述目标的问题，本文结合基于稀疏表示的琐碎模板与改进的尺度不变特征(SIFT特征)对目标进行准确描述。通过比对几类基于SIFT的特征，选定SIFT特征具有旋转、尺度和光照的鲁棒性，能保证提取的目标更好的与背景区分。为减少高维的SIFT特征对实时跟踪的影响，使用基于压缩感知的稀疏矩阵对目标进行降维，并保证降维后的特征矩阵仍能保留原矩阵数据结构。本论文结合琐碎模板增强对目标模型的描述准确度和提高对噪声干扰的鲁棒性。
 (2) 分析基于不同理论的跟踪算法所采用的分类的原理和构建出的分类器的性能，本论文提出改进的权重贝叶斯分类器。将琐碎模板表示出的稀疏编码作为改进的贝叶斯分类器的权重更新信息，并将其引进多实例算法改进以选取更为准确的正包，从而保证在多实例学习跟踪算法的正包内定位最优的目标位置。
 将本文算法与几类半监督跟踪算法在复杂环境下比较跟踪实效，实验表明本文算法在应对部分遮挡、尺度变化、光暗变化和目标相似于背景时能更准确的定位目标，并保证视觉跟踪要求的实时性。