基于HTP稀疏表示的鲁棒目标追踪方法

聂欢，刘嘉穗，朱莉波

（广东工业大学自动化学院，广东广州510006）

基于HTP稀疏表示的鲁棒目标追踪方法

聂欢，刘嘉穗，朱莉波

（广东工业大学自动化学院，广东广州510006）

稀疏表示是近年来信号处理领域发展起来的新方法，其在异常干扰抑制方面具有良好的性能，且在抗遮挡目标追踪方面具有独特的优势，已成为实现鲁棒目标追踪的重要工具。目前，已有的稀疏表示方法在鲁棒目标追踪中存在计算速度慢、存储量大等缺陷。硬阈值追踪（HTP）是一种快速稀疏表示方法，能够在较少次数的迭代下达到收敛，并且具有重构精度高、鲁棒性好等优势。为了克服已有的基于稀疏表示的目标追踪方法的不足，将迭代硬阈值追踪算法应用于稀疏表示协作模型中，该算法有效提升了协作模型的鲁棒性，且使跟踪更加快速。

目标追踪；稀疏表示；硬阈值追踪；计算量

目标追踪一般需要实时性，但由于跟踪序列图像较多，跟踪算法比较复杂，导致计算量较大，实时跟踪目标物体困难。所以，应该尽量降低跟踪算法的复杂度，减少计算量，提高实时性。直到压缩感知理论的提出，由于低维压缩子空间可以很好地保留高维图像特征空间的信息，所以，很大程度上减少了计算量，在快速压缩跟踪中很好地展现了压缩感知的效果。而将压缩感知与重构算法相结合构成的硬阈值追踪（Hard Thresholding Pursuit，HTP）算法在稀疏表示问题上具有更好的效果。

为提高追踪算法的实时性和鲁棒性，引入了HTP算法来构建一个鲁棒的追踪算法，利用HTP算法的快速性对原始图像进行稀疏表示，有效提高了整个跟踪算法的实时性。目标跟踪的主要挑战是考虑剧烈外观变换和遮挡，将HTP应用于稀疏表示协作模型中，用基于HTP的稀疏表示构建判别分类器和生成模型，构成整体模版和局部表示相结合的鲁棒外观模型，更新方案考虑了最新的观测图像和原始的模版，因此，使跟踪器能有效处理外观变化和减少漂移问题。

1 基于HTP稀疏表示的目标追踪方法

稀疏表示实际上是一种对原始信号的分解过程，它借助事先得到的过完备字典，将输信号表示为字典的线性近似y≈Dx=d2x2+…+dnxn，所以，求解信号的线性表示就转化为求解公式，其属于欠定方程组，理论上方程组有无数个解。我们希望上述公式的解x尽可能的稀疏，即x的稀疏度尽可能大（x中的非零个数尽可能少）。因此，可以通过稀疏系数向量1ℓ最小来求解以下公式：

式（1）中：║x║1是向量x的1范数，表示向量x中非0元素的个数。

目前，对于求解式（1），本文使用凸优化算法中的迭代硬阈值法算法以及贪婪算法中的压缩采样匹配追踪算法（CoSaMP）的基本思想。并基于上述2种算法的思想，本文采用硬阈值追踪算法（HTP）求解式（1），以得到稀疏系数向量，完成信号的稀疏表示。

匹配类追踪算法主要是基于贪婪算法的思想。在每一次的迭代过程中，算法都会从过完备原子库里（测量矩阵D）选择与信号最接近的原子来进行稀疏逼近，同时，求出余量，然后继续选出与信号余量最为接近的原子，并把它们放在更新的原子支撑集中。如此类推，经过数次迭代，该信号便可以用这些原子进行线性表示。而CoSaMP算法则是在贪婪算法的基础上结合了组合算法的回溯思想。在每一次迭代过程中，它都会重新评估所有候选项的可能性，这主要体现在原子的选择方式上。算法会从原子库中选择多个相关原子后再剔除部分原子，保证每次迭代时支撑集中有2s个原子，所以，候选集合中最多不会超过3s个原子，同时，剔除的原子数目最多也不会超过s个，直至满足迭代停止条件。

基于上述CoSaMP中从原子集合中选择和观测信号或迭代余量最为匹配的原子的原子选择准则，并从IHT算法中得到直观的启发，自然地选择xn+DTD（x－xn）≈x中的由大到小s个元素。由此，将上述两种算法的基本思想相结合，从而构成HTP算法，并得出HTP算法的迭代方案：在已知稀疏度s的情况下，初始化s稀疏向量x0∈RN，并令x0=0，进行迭代，即Sn+1=｛indices of s largest entries ofxn+DT（y－Dxn）｝（HTP1）；xn+1=argmin{║y-Dx║2，supp（x）⊆Sn+1}（HTP2）。

直到满足迭代停止条件，虽然并没有保证当索引Sn+1=Sn时，对于所有的k≥n，都有xk=xn，索引Sn+1=Sn是迭代停止的标准之一。迭代步（HTP2）通常用于除偏，以增强算法的表现。

最终本文将目标追踪算法应用于现有的目标追踪框架中，并在该框架中体现出来了良好的效果。我们使用基于稀疏性的判别分类器（Sparse Discriminative Classifier，SDC）和基于稀疏性的生成模型（Sparse Generative Model，SGM），使用整体模版与局部表示相结合的鲁棒外观模型。在SDC模块引入了有效计算信任值的方法，SGM模块基于直方图的方法考虑了每个图像块的空间信息和遮挡处理的方案。此外，更新方案考虑了最新的观测结果和原始的模版，因此，使跟踪器能有效处理外观变化和减少漂移问题。为了抓住外观变化并减少跟踪漂移，该方案提出了一个考虑遮挡的外观模型更新方法，并采用了一个有效的自适应外观模型的鲁棒目标跟踪算法。每一帧中我们用亮度生成整体模版和局部表示。在该跟踪方案中，生成模型和判别分类器的协作有助于得到鲁棒性更高的似然函数粒子滤波器。

2 结束语

由于HTP算法具有简洁的迭代方式和有效原子选择准则，使得HTP算法能够快速、有效地求得稀疏系数向量，从而加快了追踪速度，保证了追踪实时性的要求。在观测模型中，追踪算法利用整体模板构建出判别分类器，以应对复杂混乱的背景图像。采用局部表现来构建直方图，并将局部图像块的空间信息和遮挡处理加以考虑，使得追踪器能够更好地处理遮挡问题。通过似然函数将整体判别模型和局部生成模型集成为统一的方式，构建协作模型用于目标追踪。同时，在线更新方案使得追踪算法在动态图像序列中能够减缓漂移，并提升对目标外观变化的适应性。

〔编辑：张思楠〕

TP391.41

A

10.15913/j.cnki.kjycx.2017.19.046

2095－6835（2017）19－0046－02