孙景伟 丁学用

摘 要：L1 Tracker算法鲁棒性好，但算法复杂度高，实时性差。针对L1 Tracker跟踪速率低问题，本文提出了一种新的稀疏表示跟踪方法，该方法主要采用在感兴趣区域内对候选目标采样以及块稀疏正交匹配追踪算法（BOMP）来提高跟踪效率，并通过对三种不同的场景与其他四种跟踪算法做了对比实验，验证了本文算法的稳定性和实时性。

关键词：L1 Tracker；BOMP；候选目标；跟踪效率

中图分类号：TP391 文献标志码： A

运动目标跟踪是今年来计算机视觉领域的热门研究方向之一，它在视频监控、军事领域、智能机器人、智能交通系统方面有着广泛的应用背景。目前已有大量学者对运动目标跟踪算法进行广泛的研究，提出了多种类型的算法。最近，Xue等人[2]结合粒子滤波技术和稀疏表示技术提出了L1 Tracker跟踪算法，它能处理目标物的形变、遮挡以及光照变化等一系列富有挑战性问题。但是，该算法的复杂度高，实时性差。Li G等人[3]提出了基于生物特征的L1 Tracker跟踪算法，该算法对目标物的形变稳定性好，然而该算法所采用的特征没有考虑到光照的影响，对光照剧烈变化的场景跟踪的稳定性差。

本文借鉴了L1跟踪算法中稀疏表示的技术，提出了另外一种高效的L1跟踪算法。该算法在感兴趣区域内对候选目标进行采样，而不是在粒子滤波框架下进行采样，无需对粒子进行预测、重采样及权重的更新，从而提高了跟踪效率；并采用重构速度更快的块稀疏正交匹配追踪算法（BOMP）[4]，进一步提高了跟踪效率。并且通过不同场景的视频序列的实验验证了该算法的鲁棒性和实时性。

1 基于稀疏表示的目标观测模型

1.1 候选目标的稀疏表示

1.2 目标模板的更新

模板的更新主要分为三个步骤：模板的替代、模板的更新和权重的更新，具体的算法流程參考文献[2]。

1.3 L1 Tracker方法

L1 Tracker跟踪方法在跟踪过程中主要采用粒子滤波算法来更新粒子的权重，并对粒子进行状态转移，从而获取粒子所对应的候选目标，并计算出重构误差，根据重构误差来选取候选目标作为跟踪结果，并进一步对粒子进行重采样。

2 本文的方法

2.1 更加快速的重构算法

Xue等人提出的L1 Tracker跟踪方法，所采用的重构算法是预处理共轭梯度算法（preconditioned conjugate gradients algorithm，PCG），计算复杂度大，运行效率低。本文提出了一种重构速度更快的重构算法：块稀疏正交匹配追踪算法（BOMP）[4]。

文献[4]指出了实际问题经常出现的一种特殊稀疏信号——块稀疏信号（Block-Sparse Signal），即信号中不为零的地方成块出现。BOMP算法主要利用信号块稀疏的结构特性，重构效果比传统的重构算法更理想，同时也缩短了运行时间。

块稀疏信号定义如下：

2.2 基于感兴趣区域内的候选目标采样

L1 Tracker基于粒子滤波的框架下对候选目进行采样，需对粒子进行预测，重采样，以及权重的更新，一定程度上降低算法的效率。本文提出了一种基于感兴趣区域内的候选目标采样的方法，无需对粒子进行预测，重采样，以及权重的更新，提高了跟踪的效率。

2.3 算法流程

本文针对L1 Tracker效率低问题提出了一种更加快速的稀疏表示跟踪方法，具体的跟踪流程如下：

为了验证本文的跟踪效果，将其用于跟踪以下的三种视频序列：David Indoor、Car4；并和以下的四种跟踪算法相比较：L1-APG[2]、Incremental Visual Tracking（IVT）. [5]、 Multiple Instance Learning（MIL）[1]、Online AdaBoost（OAB）. [6]。图1是上面的跟踪方法对三种不同的视频序列的部分跟踪结果，图2为本文方法与其它四种跟踪算法的跟踪误差比较，表1为本文方法与其它四种跟踪算法的平均误差比较。

图1（a）显示的是有姿势转变和受光照变化影响的David Indoor视频序列的跟踪结果，本文的方法、IVT和MIL都能成功的跟踪目标，而OAB和L1-APG方法在人脸发生姿势变化时无法正确跟踪目标。

图1（b）显示的是光照急剧变化的Car4视频序列的跟踪结果，本文的方法、IVT和L1-APG都能成功的跟踪目标，而其他方法在车辆经过桥底时，由于光照急剧变化，导致跟踪失败。

图1（c）显示的是姿势变化和遮挡现象的Face视频序列跟踪结果，本文的方法是最好的，而其他方法在有遮挡的情况下会发生跟踪漂移。

综上所述，本文的方法在五种跟踪算法中是最优的，对L1-APG方法跟踪失败的场景，本文的方法能稳定性的跟踪，跟踪精度优于L1-APG方法。

4 结论

本文针对Xue等人提出的L1-APG跟踪方法计算复杂度高，跟踪效率低等问题，提出了一种新的稀疏表示跟踪方法。本文的跟踪算法，在CPU2.0GHZ、内存2GB笔记本电脑上运行，跟踪速度达到12 frame/s，保证了跟踪的实时性，并且通过对比实验，验证了本文方法在跟踪精度和实时性两个方面都优于L1-APG方法。

参考文献：

[1] Babenko B， Yang M H， Belongie S. Robust object tracking with online multiple instance learning[J].Pattern Analysis and Machine Intelligence， IEEE Transactions on， 2011， 33（8）： 1619-1632.

[2] Mei X， Ling H. Robust visual tracking using ？ 1 minimization[C]. Computer Vision， 2009 IEEE 12th International Conference on. IEEE， 2009： 1436-1443.

[3] Li G， Liu Z Y， Li H B， et al. Target Tracking Based on Biological-Like Vision Identity via Improved Sparse Representation and Particle Filtering[J].Cognitive Computation， 2016， 8（5）：1-14.

[4] ELDAR Y C.Block-Sparse Signals： Uncertainty Relations and Efficient Recovery[J]. IEEE Transactions on Signal Processing， 2010， 58（6）：3041-3054.

[5] Ross D A， Lim J，Lin R S， et al. Incremental learning for robust visual tracking[J].International Journal of Computer Vision， 2008， 77（1-3）： 125-141.

[6] Grabner H， Grabner M， Bischof H. Real-time tracking via on-line boosting[C].Proc. BMVC. 2006， 1： 47-56.

作者简介：孙景伟 （1988-），男，海南三亚人，助教，硕士，主要研究图像处理方向。