针对稀疏编码的重构精度不高的问题,提出了一种改进的稀疏编码模型[8]。首先模型无需 重构误差满足特定的先验概率分布,且加入对编码系数的自适应约束,使模型求取编码的极大 似然估计解,对干扰更加鲁棒,可以取得更优的跟踪效果;其次,使用改进的目标模板更新方法, 将受干扰较大样本排除在目标模板库之外,使当前的目标模板能够更好地描述最新的目标状 态,并通过粒子滤波算法实现目标跟踪。

选取若干遮挡人脸图像和具有代表性的跟踪视频,使用本文的改进算法进行实验,实验 结果表明,检测算法在处理目标部分遮挡时具有较好的鲁棒性[9],并且处理的遮挡类型多样化; 跟踪算法可以较好地解决目标部分遮挡和光照变化等干扰下的目标跟踪问题。

相比于原来的稀疏编码，的模型是更忠实于输入数据。当自由选择 S 个基 VEC-器由式共 q 载体。重构的结构可以输入由于大的自由偏离。但在的训练有素的组合，这是不可能发生 的，因为每一种组合发现其相应的输入数据，更好约束重建质量。因此，的方法是健壮正常 和异常模式之间进行区分。来*自~优|尔^论:文+网www.youerw.com +QQ752018766*

2。2 检测与识别

2。2。1 图像去噪

检测与识别的一个重要前提工作就是图像去噪，因为一般方式下获取的视频图像都含有 噪音。在产生、记录和传输信号过程中，通常会受到噪声的干扰，噪音，是妨碍视觉处理对 所接收图像原信号的元素，噪音处理效果直接影响后续的图像处理，导致检测模糊甚至出错。

常见的噪声有高斯噪声、椒盐噪声和量化噪声，去噪方式为利用空间域修改或更改图像 频率。去噪常用方法有均值滤波、其中均值滤波算法简单，直接求模板中所有像素的均值， 而缺点也显而易见，在处理过程中极易产生模糊，尤其在边缘处和细节部分。去噪能力增强 的同时，模糊程度也更加严重。均值滤波可有效抑制高斯噪声，处理效果较好，而对椒盐噪 声的去除有很大的局限性，常在削弱噪声时使得整体变模糊。

中值滤波算法优于对图像的平滑处理，只影响到了图像的基本信息。对高斯噪声抑制作 用弱，而对去除椒盐噪声非常便利。其原理是利用像素灰度差与周围像素值接近的值可以消 除孤立的噪声点。时间复杂度低，容易自适应化。中值滤波利用排序统计理论，抑制噪音的 非线性信号处理，保障图像的清晰度。小波变换可使噪音信息集中在高频子块，对低频和高

第 8  页 本科毕业设计说明书 频同时进行抑制，从而将信号中的有效信息提取出来。这种特性使得它对两种噪声的去除效 果均佳，缺点是只能或者提高分辨率，或者偏于更有效地去除噪声[10]