基于稀疏表示和非负矩阵分解理论的目标跟踪算法研究的任务书.docx

基于稀疏表示和非负矩阵分解理论的目标跟踪算法研究的任务书
任务书
一、任务背景：
目标跟踪是计算机视觉领域的一个重要应用领域，在许多领域有着广泛的应用。例如交通工具的智能驾驶、医疗影像的分析等。随着技术的发展和应用需求的增加，目标跟踪算法也在不断发展。本项目将基于稀疏表示和非负矩阵分解理论对目标跟踪算法进行研究。
二、任务目标：
本项目的研究重点是基于稀疏表示和非负矩阵分解理论的目标跟踪算法。
具体任务目标如下：
1.理解稀疏表示和非负矩阵分解的基本概念及相关算法原理。
2.了解目标跟踪的算法原理和发展趋势。
3.在掌握相关理论的基础上，实现基于稀疏表示的目标跟踪算法。其中，需完成基于鲁棒稀疏表示的目标跟踪算法和基于联合稀疏表示的目标跟踪算法。
4.在掌握相关理论的基础上，实现基于非负矩阵分解的目标跟踪算法。
5.通过实验对比，分析不同算法的优缺点，评估以上三种算法的性能。
三、研究方法：
本项目将采用以下研究方法：
1.阅读相关文献，了解稀疏表示和非负矩阵分解的基本概念及相关算法原理。
2.阅读相关文献，了解目标跟踪的算法原理及发展趋势。
3.分别编写基于鲁棒稀疏表示、基于联合稀疏表示和基于非负矩阵分解的目标跟踪算法，并将其应用于目标跟踪数据集。
4.设计实验，对比以上三种算法的性能，评估其优缺点。
四、进度安排：
1.第1-2周：阅读相关文献，了解稀疏表示和非负矩阵分解的基本概念及相关算法原理。
2.第3-4周：阅读相关文献，了解目标跟踪的算法原理及发展趋势。
3.第5-6周：实现基于鲁棒稀疏表示的目标跟踪算法，并将其应用于目标跟踪数据集。
4.第7-8周：实现基于联合稀疏表示的目标跟踪算法，并将其应用于目标跟踪数据集。
5.第9-10周：实现基于非负矩阵分解的目标跟踪算法，并将其应用于目标跟踪数据集。
6.第11-12周：设计实验，对比以上三种算法的性能，评估其优缺点。
7.第13-14周：分析实验结果，撰写研究报告。
五、任务要求：
1.对计算机视觉、数学基础有较扎实的理论基础。
2.熟悉Matlab编程工具，能够独立编写稀疏表示和非负矩阵分解相关算法。
3.具有较强的逻辑思维能力、分析和解决问题的能力。
4.具备较好的英语阅读能力。
六、参考文献：
1.Yang,M.,Kong,Y.,Zhang,Z.,etal.(2012).RobustObjectTrackingviaSequentiallyLearningRegressoronSparseRepresentation.IEEETransactionsonImageProcessing,21(5),2155-2167.
2.Zhang,T.,Ghanem,B.,Liu,S.,etal.(2012).RobustVisualTrackingviaConsistentLow-RankSparseLearning.ProceedingsoftheIEEEConferenceonComputerVisionandPatternRecognition,1838-1845.
3.Wang,J.,Yang,J.,Yuan,J.,etal.(2013).RecursiveNon-negativity-constrainedLeastSquaresAlgorithmforVisualTracking.ProceedingsoftheIEEEInternationalConferenceonComputerVision,2013,1187-1194.
4.刘桂林,董森,吴杨,等.基于联合稀疏性的目标跟踪算法[J].中国图象图形学报,2016,21(10):1256-1262.
5.杨刚,黎黔辉,李学谦.矩阵分解算法在物体跟踪中的应用综述[J].通信学报,2019,40(9):111-123.