基于HTP稀疏表示的魯棒目標追蹤方法

聶歡，劉嘉穗，朱莉波

（廣東工業大學自動化學院，廣東廣州510006）

基于HTP稀疏表示的魯棒目標追蹤方法

聶歡，劉嘉穗，朱莉波

（廣東工業大學自動化學院，廣東廣州510006）

稀疏表示是近年來信號處理領域發展起來的新方法，其在異常干擾抑制方面具有良好的性能，且在抗遮擋目標追蹤方面具有獨特的優勢，已成為實現魯棒目標追蹤的重要工具。目前，已有的稀疏表示方法在魯棒目標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，能夠在較少次數的迭代下達到收斂，并且具有重構精度高、魯棒性好等優勢。為了克服已有的基于稀疏表示的目標追蹤方法的不足，將迭代硬閾值追蹤算法應用于稀疏表示協作模型中，該算法有效提升了協作模型的魯棒性，且使跟蹤更加快速。

目標追蹤；稀疏表示；硬閾值追蹤；計算量

目標追蹤一般需要實時性，但由于跟蹤序列圖像較多，跟蹤算法比較復雜，導致計算量較大，實時跟蹤目標物體困難。所以，應該盡量降低跟蹤算法的復雜度，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了壓縮感知的效果。而將壓縮感知與重構算法相結合構成的硬閾值追蹤（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。目標跟蹤的主要挑戰是考慮劇烈外觀變換和遮擋，將HTP應用于稀疏表示協作模型中，用基于HTP的稀疏表示構建判別分類器和生成模型，構成整體模版和局部表示相結合的魯棒外觀模型，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化為求解公式，其屬于欠定方程組，理論上方程組有無數個解。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中的非零個數盡可能少）。因此，可以通過稀疏系數向量1?最小來求解以下公式：

式（1）中：║x║1是向量x的1范數，表示向量x中非0元素的個數。

目前，對于求解式（1），本文使用凸優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，經過數次迭代，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上結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，這主要體現在原子的選擇方式上。算法會從原子庫中選擇多個相關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則，并從IHT算法中得到直觀的啟發，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合，從而構成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是迭代停止的標準之一。迭代步（HTP2）通常用于除偏，以增強算法的表現。

最終本文將目標追蹤算法應用于現有的目標追蹤框架中，并在該框架中體現出來了良好的效果。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外觀模型的魯棒目標跟蹤算法。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作有助于得到魯棒性更高的似然函數粒子濾波器。

2 結束語

由于HTP算法具有簡潔的迭代方式和有效原子選擇準則，使得HTP算法能夠快速、有效地求得稀疏系數向量，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建出判別分類器，以應對復雜混亂的背景圖像。采用局部表現來構建直方圖，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。通過似然函數將整體判別模型和局部生成模型集成為統一的方式，構建協作模型用于目標追蹤。同時，在線更新方案使得追蹤算法在動態圖像序列中能夠減緩漂移，并提升對目標外觀變化的適應性。

〔編輯：張思楠〕

TP391.41

A

10.15913/j.cnki.kjycx.2017.19.046

2095－6835（2017）19－0046－02