计算机视觉之目标跟踪（二） 稀疏表示及MP算法实现

稀疏表示及MP算法

天天在实验室划，回宿舍了就好好总结一下写篇博客吧
-----------------------------分割线--------------------------------
上一次介绍了用均值漂移（meanshift）算法来实现目标跟踪，有许多的局限性。同样是生成式的目标跟踪算法，稀疏表示（sparse coding）更加受到研究者的重视。
稀疏表示即将二维的图像用一个系数矩阵和稀疏字典来近似表示，打个比方：如果图象a是M×N的矩阵，我们只需一个M×K的系数矩阵b和一个K×N稀疏字典c，使得a近似于b×c。
那么参数不是更多使得信号更复杂了吗？
答案是NO，因为系数矩阵b的大部分参数都是为0的，而稀疏字典c是已知的，所以图像a就被压缩成了极少的数字。
这是借鉴了人类的大脑记忆方式（我猜的）：我们在记住一个物体时，不可能记住该物体的全部图像信息，而只是记住了一个模糊的“印象”，使得我们下次见到它时能够识别出来。
回到我们的问题，我们需要找到一个稀疏字典，并让稀疏字典内尽可能少的向量来表示我们的原始图像。若我们一个一个去试的话，无疑会耗费大量的算力，所以这是一个np难的问题。所以我们只能找出一个尽可能优的解。
有如下方法解决：
1.贪婪算法
2.松弛算法
在这里只给出贪婪算法中的MP算法（因为暂时只学到这里hiahia）。
MP算法步骤：

• step1 初始化系数矩阵为0，找到稀疏字典C（关于稀疏字典的学习以后再说，这里用随机正交矩阵代替）令要表示的图像的一个向量为误差f 。
• step2 在稀疏字典中找出与f最为相近的向量m
• step3 求出f在m向量上的投影与m的比值alpha，使得f=alpha*m+k，其中k为新的误差
• step4 判断该误差是否小于误差阈值，若小于，则退出程序；否则，令f=k，回到step2

这样，经过多次迭代，最终得到初始向量：
f0=alpha1m1 + alpha2m2 + alpha3*m3 + c（c为可容忍的误差）
python实现如下：

import math
import numpy as np
import cv2

img = cv2.imread("./img/image.jpg")

img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
#生成稀疏基DCT矩阵
mat_dct_1d=np.zeros((60, 60))
v=range(60)
for k in range(0, 60):
    dct_1d=np