基于HTP稀疏表示的魯棒目標(biāo)追蹤方法

聶歡，劉嘉穗，朱莉波

（廣東工業(yè)大學(xué)自動化學(xué)院，廣東廣州510006）

基于HTP稀疏表示的魯棒目標(biāo)追蹤方法

聶歡，劉嘉穗，朱莉波

（廣東工業(yè)大學(xué)自動化學(xué)院，廣東廣州510006）

稀疏表示是近年來信號處理領(lǐng)域發(fā)展起來的新方法，其在異常干擾抑制方面具有良好的性能，且在抗遮擋目標(biāo)追蹤方面具有獨特的優(yōu)勢，已成為實現(xiàn)魯棒目標(biāo)追蹤的重要工具。目前，已有的稀疏表示方法在魯棒目標(biāo)追蹤中存在計算速度慢、存儲量大等缺陷。硬閾值追蹤（HTP）是一種快速稀疏表示方法，能夠在較少次數(shù)的迭代下達到收斂，并且具有重構(gòu)精度高、魯棒性好等優(yōu)勢。為了克服已有的基于稀疏表示的目標(biāo)追蹤方法的不足，將迭代硬閾值追蹤算法應(yīng)用于稀疏表示協(xié)作模型中，該算法有效提升了協(xié)作模型的魯棒性，且使跟蹤更加快速。

目標(biāo)追蹤；稀疏表示；硬閾值追蹤；計算量

目標(biāo)追蹤一般需要實時性，但由于跟蹤序列圖像較多，跟蹤算法比較復(fù)雜，導(dǎo)致計算量較大，實時跟蹤目標(biāo)物體困難。所以，應(yīng)該盡量降低跟蹤算法的復(fù)雜度，減少計算量，提高實時性。直到壓縮感知理論的提出，由于低維壓縮子空間可以很好地保留高維圖像特征空間的信息，所以，很大程度上減少了計算量，在快速壓縮跟蹤中很好地展現(xiàn)了壓縮感知的效果。而將壓縮感知與重構(gòu)算法相結(jié)合構(gòu)成的硬閾值追蹤（Hard Thresholding Pursuit，HTP）算法在稀疏表示問題上具有更好的效果。

為提高追蹤算法的實時性和魯棒性，引入了HTP算法來構(gòu)建一個魯棒的追蹤算法，利用HTP算法的快速性對原始圖像進行稀疏表示，有效提高了整個跟蹤算法的實時性。目標(biāo)跟蹤的主要挑戰(zhàn)是考慮劇烈外觀變換和遮擋，將HTP應(yīng)用于稀疏表示協(xié)作模型中，用基于HTP的稀疏表示構(gòu)建判別分類器和生成模型，構(gòu)成整體模版和局部表示相結(jié)合的魯棒外觀模型，更新方案考慮了最新的觀測圖像和原始的模版，因此，使跟蹤器能有效處理外觀變化和減少漂移問題。

1 基于HTP稀疏表示的目標(biāo)追蹤方法

稀疏表示實際上是一種對原始信號的分解過程，它借助事先得到的過完備字典，將輸信號表示為字典的線性近似y≈Dx=d2x2+…+dnxn，所以，求解信號的線性表示就轉(zhuǎn)化為求解公式，其屬于欠定方程組，理論上方程組有無數(shù)個解。我們希望上述公式的解x盡可能的稀疏，即x的稀疏度盡可能大（x中的非零個數(shù)盡可能少）。因此，可以通過稀疏系數(shù)向量1?最小來求解以下公式：

式（1）中：║x║1是向量x的1范數(shù)，表示向量x中非0元素的個數(shù)。

目前，對于求解式（1），本文使用凸優(yōu)化算法中的迭代硬閾值法算法以及貪婪算法中的壓縮采樣匹配追蹤算法（CoSaMP）的基本思想。并基于上述2種算法的思想，本文采用硬閾值追蹤算法（HTP）求解式（1），以得到稀疏系數(shù)向量，完成信號的稀疏表示。

匹配類追蹤算法主要是基于貪婪算法的思想。在每一次的迭代過程中，算法都會從過完備原子庫里（測量矩陣D）選擇與信號最接近的原子來進行稀疏逼近，同時，求出余量，然后繼續(xù)選出與信號余量最為接近的原子，并把它們放在更新的原子支撐集中。如此類推，經(jīng)過數(shù)次迭代，該信號便可以用這些原子進行線性表示。而CoSaMP算法則是在貪婪算法的基礎(chǔ)上結(jié)合了組合算法的回溯思想。在每一次迭代過程中，它都會重新評估所有候選項的可能性，這主要體現(xiàn)在原子的選擇方式上。算法會從原子庫中選擇多個相關(guān)原子后再剔除部分原子，保證每次迭代時支撐集中有2s個原子，所以，候選集合中最多不會超過3s個原子，同時，剔除的原子數(shù)目最多也不會超過s個，直至滿足迭代停止條件。

基于上述CoSaMP中從原子集合中選擇和觀測信號或迭代余量最為匹配的原子的原子選擇準(zhǔn)則，并從IHT算法中得到直觀的啟發(fā)，自然地選擇xn+DTD（x－xn）≈x中的由大到小s個元素。由此，將上述兩種算法的基本思想相結(jié)合，從而構(gòu)成HTP算法，并得出HTP算法的迭代方案：在已知稀疏度s的情況下，初始化s稀疏向量x0∈RN，并令x0=0，進行迭代，即Sn+1=｛indices of s largest entries ofxn+DT（y－Dxn）｝（HTP1）；xn+1=argmin{║y-Dx║2，supp（x）?Sn+1}（HTP2）。

直到滿足迭代停止條件，雖然并沒有保證當(dāng)索引Sn+1=Sn時，對于所有的k≥n，都有xk=xn，索引Sn+1=Sn是迭代停止的標(biāo)準(zhǔn)之一。迭代步（HTP2）通常用于除偏，以增強算法的表現(xiàn)。

最終本文將目標(biāo)追蹤算法應(yīng)用于現(xiàn)有的目標(biāo)追蹤框架中，并在該框架中體現(xiàn)出來了良好的效果。我們使用基于稀疏性的判別分類器（Sparse Discriminative Classifier，SDC）和基于稀疏性的生成模型（Sparse Generative Model，SGM），使用整體模版與局部表示相結(jié)合的魯棒外觀模型。在SDC模塊引入了有效計算信任值的方法，SGM模塊基于直方圖的方法考慮了每個圖像塊的空間信息和遮擋處理的方案。此外，更新方案考慮了最新的觀測結(jié)果和原始的模版，因此，使跟蹤器能有效處理外觀變化和減少漂移問題。為了抓住外觀變化并減少跟蹤漂移，該方案提出了一個考慮遮擋的外觀模型更新方法，并采用了一個有效的自適應(yīng)外觀模型的魯棒目標(biāo)跟蹤算法。每一幀中我們用亮度生成整體模版和局部表示。在該跟蹤方案中，生成模型和判別分類器的協(xié)作有助于得到魯棒性更高的似然函數(shù)粒子濾波器。

2 結(jié)束語

由于HTP算法具有簡潔的迭代方式和有效原子選擇準(zhǔn)則，使得HTP算法能夠快速、有效地求得稀疏系數(shù)向量，從而加快了追蹤速度，保證了追蹤實時性的要求。在觀測模型中，追蹤算法利用整體模板構(gòu)建出判別分類器，以應(yīng)對復(fù)雜混亂的背景圖像。采用局部表現(xiàn)來構(gòu)建直方圖，并將局部圖像塊的空間信息和遮擋處理加以考慮，使得追蹤器能夠更好地處理遮擋問題。通過似然函數(shù)將整體判別模型和局部生成模型集成為統(tǒng)一的方式，構(gòu)建協(xié)作模型用于目標(biāo)追蹤。同時，在線更新方案使得追蹤算法在動態(tài)圖像序列中能夠減緩漂移，并提升對目標(biāo)外觀變化的適應(yīng)性。

〔編輯：張思楠〕

TP391.41

A

10.15913/j.cnki.kjycx.2017.19.046

2095－6835（2017）19－0046－02