基于在線魯棒判別式字典學習的視覺跟蹤

1、基于在線魯棒判別式字典學習的視覺跟蹤基于在線魯棒判別式字典學習的視覺跟蹤視覺跟蹤是計算機視覺領域的一個重要研究內容，其目的是利用序列圖像估算目標的狀態(tài)參數(shù)。視覺跟蹤在視頻監(jiān)控和人機交互等方面具有廣闊的應用前景。目前，雖然研究者已經(jīng)提出一些視覺跟蹤方法，但是現(xiàn)有跟蹤方法仍然面臨復雜背景、目標變化和目標遮擋等難題[1]。2009年，Mei和Ling[2]首次提出基于稀疏表示的視覺跟蹤方法，又稱“L1跟蹤”。L1跟蹤用目標模板和小模板的組合表

2、示候選目標，以重構誤差作為觀測似然跟蹤目標。L1跟蹤對目標遮擋具有較強的魯棒性，但是L1跟蹤對目標模板的要求較高，當模板中引入離群數(shù)據(jù)時，會導致跟蹤失敗。為了保證目標模板的正確性，文獻[34]提出用小模板系數(shù)檢測目標遮擋，并根據(jù)檢測結果更新目標模板。文獻[5]利用小模板系數(shù)重建跟蹤結果，并利用增量主分量分析更新目標模板。文獻[35]中模板更新方法的問題在于，由于小模板也能表示背景[5]，這會導致遮擋檢測失敗或者重建圖像不準確。隨著對L1

3、跟蹤研究的深入，研究者逐漸認識到模板字典在視覺跟蹤中的重要作用。為了提升L1跟蹤對復雜背景下目標跟蹤魯棒性，文獻[6]提出用多個特征視圖建立目標模板字典。文獻[7]提出建立多壽命模板字典跟蹤目標，并將目標模板更新等價為在線字典學習問題，從而保證了對目標表觀變化的適應性。文獻[8]利用非負灰度字典設計目標模板，并提出在線魯棒的非負字典學習算法用于模板更新，L2損失函數(shù)相比，L1損失函數(shù)具有對離群數(shù)據(jù)魯棒的優(yōu)點。因此，模型式⑴用L1范數(shù)作為

4、損失函數(shù)能夠降低遮擋信息等離群數(shù)據(jù)對目標模板的影響，從而克服模型漂移。模型式⑴不但考慮了模板字典對目標樣本的重建能力，還兼顧了模板字典對背景樣本的辨別能力，這通過最小化背景樣本在模板字典D上的投影得到。2在線魯棒判別式字典學習算法求解式⑴的在線魯棒判別式字典學習算法包括數(shù)據(jù)采樣、編碼系數(shù)求解和在線字典更新三步驟。2.1數(shù)據(jù)采樣根據(jù)至t時刻的跟蹤結果，采樣n個圖像塊作為正例樣本；在以t時刻跟蹤結果目標中心c為圓心的環(huán)形區(qū)域內隨機采樣n個圖

5、像塊作為負例樣本。2.2編碼系數(shù)求解假設tn時刻的目標模板字典為。采用迭代加權最小二乘法[10]（IterativeReweightedLeastSquares，IRLS）求解（i=1，…，n）。采用嶺回歸求解（i=1，…，n）。2.3在線字典更新在線字典更新的目標是已知編碼系數(shù)和求解字典Dr。假設在t時刻進行第T次模板更新，則在線字典更新也就是求解優(yōu)化問題式⑵其中，是樣本個數(shù)。由文獻[10]可知，采用塊坐標共軛梯度下降算法逐行求解式⑶