基于自适应结构局部稀疏外观模型法的视觉跟踪

李金奎 姜明新

（大连民族学院信息与通信工程学院，辽宁 大连 116600）

0 前言

视觉追踪在计算机视觉领域一直是一个重要的课题，尤其对于监测应用、车辆导航和人机界面研究。比如有人在文献[1-4]中已经提出了很多追踪方法，但仍然是一个具有挑战性的问题，由于像局部遮挡，光照变化，姿势变化，背景混乱和视角变化等因素的影响。在本文中，基于结构局部稀疏表达模型和自适应模板更新策略提出了一种有效的跟踪算法。

1 系统流程图

在此介绍基于自适应结构局部稀疏外观模型法的视觉跟踪，以下是基于Matlab的系统流程。

图1 运动目标检测和跟踪系统流程图

2 局部结构稀疏外观模型

给出一组目标模板视频图像序列T=[T1,T2,…,Tn]，在目标区域对一组重叠的局部图像块抽样。利用这些局部块作为词典来给在可能的候选区域局部块编码，即 D=[d1,d2,…,d(n×N)]∈Rd×(n×N)，其中 d 是图像块向量的尺度，n是目标模板的数量，N是在目标区域局部块的数量。矩阵D中的每一列都是从矩阵T中矢量化的局部图像块中通过ℓ1归一化方法获取的。每个局部块代表固定目标对象的一部分，因此所有的局部块就能表达目标的完整结构，由于局部块是从许多模板收集的，所以这个词典收集了不同模板的共同点并能表达他们的各种形式。对于一个候选目标区域，可以表示成Y=[y1,y2,…,yN]∈Rd×N。如图2所示。

图2 目标候选区域示意图

假设具有稀疏性的情况下，在目标区域的局部块都能够表示为只有几个基本数组元素的线性组合，通过求解此公式：

这里yi指的是第i个量化的局部图像块，bi∈R(n)N是局部块相应的稀疏编码，bi≥0意思是bi所有的元素非负。记B=[b1,b2,…,bN]，表示一个候选区域的稀疏代码矩阵。每个局部块的稀疏系数都被分成若干段，根据每个向量元素对应的模板，即，其中∈RN表示系数向量bi的K阶分块。对这些分段系数加权，获得第i个局部块向量Vi，

这里向量Vi对应第i个局部块，C是一个标准术语。然后在候选区确定位置的每个局部块都可以用在不同模板位置的局部块表示。采取的平方矩阵V的对角线元素作为混合特征值，即：

其中f是混合特征值的向量，对齐的跟踪结果也便于使用增量子空间训练方法进行码本更新。在集中遍历这些局部块之后，异常值的影响降低了并且结构信息扔被保存在表达数据中以此更好地定位目标。

3 模板更新

在目标跟踪方法中，生成累积概率序列：

根据均匀分布定理产生一个在单位区间[0，1]的随机数r。通过选取哪一本部分的随机数，可以选择被更换的模板。这能使旧模板缓慢地更新和新模板的快速更新，从而减小漂移的问题。

利用稀疏表达和子空间学习方法给更新的模板建模。这种增量式法不但可以适应外观改变，而且也可以保护收集到的目标物体的相同视角的共同信息。目标估计可以通过主成分分析的基向量的线性组合建模和在文献[4]中使用的琐碎模板法。

其中：p表示观测向量矩阵，矩阵U由特征向量组成，q是特征向量系数矩阵，e表示在p被损坏或遮挡的矩阵中的像素。由于遮挡和噪声引起的误差是任意的并且稀疏的，用ℓ1正规化最小二乘法解决此问题。

其中：H=[U I]，c=[q e]T，λ是正则化参数。琐碎模板系数被应用到解决噪声或遮挡问题和避免太多的遮挡块被更新到模板集。然后重建的图像被用于更新将被替换的模板。这个过程可以看作是引入稀疏子空间表达方法。

4 目标跟踪

本文使用的目标跟踪算法是在贝叶斯定理框架下实现的。给出目标观察数据集z1:t=[z1,…,zt]到第t帧，目标状态变量xt可以由最大的后验概率估计计算

其中p(xt｜xt-1)表示动态模型和p(zt｜xt)指的是观测模型。动态模板p(xt｜xt-1)描述连续帧之间的目标状态的时间相关性。把六参数仿射转换模型运用到给连续两帧之间的目标模板进行建模。状态转换作为p(zt｜xt-1)=N(xt;xt-1,Σ)，Σ是对角协方差矩阵，它的元素是仿射参数各个方差。

观察模型p(zt｜xt)表示zt观察在状态xt的可能性。它对于稳健的跟踪起着重要的作用。在此方法中，观测模型由

在等式的右边表示候选区域和基于混合特征f目标之间的相似性。随着模板的逐渐更新，观察模型能够适应目标的外观改变。

5 实验设计

该算法在MATLAB软件中实现。ℓ1最小化问题可以用文献[5]中的SPAMS package方法来解决，在所有的实验中正规化常数的λ被设置为0.01，对于每一个视频序列，目标对象的位置在第一帧需要手动标记。 文献[6]增量视觉跟踪（IVT）方法，文献[7]基于片段（fragtrack）跟踪方法，文献[8]ℓ1指数法，文献[9]多实例学习（MIL）跟踪器法。实验结果表明，本文的跟踪方法比其他的方法更好。

图3 实验跟踪结果

6 总结

本文所提出的方法利用跟踪目标的空间和局部信息通过使用队列池方法遍历空间布局的局部块。这有助于更准确地定位目标，在被遮挡时更可靠。但有时会出现误差，导致跟踪出错，所以本系统的跟踪算法也有待改进。

[1]姜明新,王洪玉,刘晓凯.基于多相机的多目标跟踪算法[J].自动化学报,2012,38(4):497-506.

[2]姜明新,王洪玉,等.基于ML和L2范数的视频目标跟踪算法[J].电子学报,2013,41(11):2307-2313.

[3]姜明新,王洪玉.基于多层定位的多目标跟踪算法[J].大连理工大学学报,2012,52(5):767-771.

[4]姜明新,王洪玉.基于特征分组的在线目标跟踪算法[J].大连理工大学学报,2013,53(5):755-759.

[5]B.Liu，L.Yang， J.Huang，P.Meer， L.Gong，and C.A.Kulikowski.Robust and fast collaborative tracking with two stage sparse optimization[C]//ECCV.2010.

[6]J.Mairal，F.Bach，J.Ponce，and G.Sapiro.Online learning for matrix factorization and sparse coding[J].Journal of Machine Learning Research，2010,11:19-60.

[7]D.Ross，J.Lim， R.-S.Lin，and M.-H.Yang.Incremental learning for robust visual tracking[J].IJCV,2008,77(1):125-141.

[8]A.Adam，E.Rivlin，and I.Shimshoni.Robust fragments-based tracking using the integral histogram[C]//CVPR.2006.