袁廣林薛模根

①(解放軍陸軍軍官學(xué)院十一系 合肥 230031)

②(解放軍陸軍軍官學(xué)院科研部 合肥 230031)

③(合肥工業(yè)大學(xué)計算機與信息學(xué)院 合肥 230009)

基于稀疏稠密結(jié)構(gòu)表示與在線魯棒字典學(xué)習(xí)的視覺跟蹤

袁廣林*①薛模根②③

①(解放軍陸軍軍官學(xué)院十一系 合肥 230031)

②(解放軍陸軍軍官學(xué)院科研部 合肥 230031)

③(合肥工業(yè)大學(xué)計算機與信息學(xué)院 合肥 230009)

L1跟蹤對適度的遮擋具有魯棒性，但是存在速度慢和易產(chǎn)生模型漂移的不足。為了解決上述兩個問題，該文首先提出一種基于稀疏稠密結(jié)構(gòu)的魯棒表示模型。該模型對目標(biāo)模板系數(shù)和小模板系數(shù)分別進行L2范數(shù)和L1范數(shù)正則化增強了對離群模板的魯棒性。為了提高目標(biāo)跟蹤速度，基于塊坐標(biāo)優(yōu)化原理，用嶺回歸和軟閾值操作建立了該模型的快速算法。其次，為降低模型漂移的發(fā)生，該文提出一種在線魯棒的字典學(xué)習(xí)算法用于模板更新。在粒子濾波框架下，用該表示模型和字典學(xué)習(xí)算法實現(xiàn)了魯棒快速的跟蹤方法。在多個具有挑戰(zhàn)性的圖像序列上的實驗結(jié)果表明：與現(xiàn)有跟蹤方法相比，所提跟蹤方法具有較優(yōu)的跟蹤性能。

視覺跟蹤；稀疏表示；稠密表示；字典學(xué)習(xí)

1 引言

視覺跟蹤是計算機視覺中的基本問題之一，其目的是利用圖像序列自動估計目標(biāo)狀態(tài)。視覺跟蹤在運動分析、視頻監(jiān)控、車輛導(dǎo)航和人機交互等方面具有重要的應(yīng)用價值。經(jīng)過三十多年的研究，已經(jīng)提出了一些跟蹤方法[1-3]，但是目標(biāo)遮擋、目標(biāo)變化、復(fù)雜背景和快速性要求等難題使得視覺跟蹤仍是計算機視覺領(lǐng)域的研究熱點，魯棒快速的視覺跟蹤方法還沒有解決。

近年來，基于稀疏表示的視覺跟蹤得到了廣泛關(guān)注[4]。受稀疏表示在人臉識別[5]中應(yīng)用的啟發(fā)，2009年，文獻[6]首次將稀疏表示應(yīng)用到視覺跟蹤中，提出了L1跟蹤。L1跟蹤利用候選目標(biāo)表示系數(shù)的稀疏性提升了子空間跟蹤對目標(biāo)遮擋的魯棒性，因而受到了廣泛的關(guān)注。但是表示系數(shù)的稀疏性也導(dǎo)致L1跟蹤的速度較慢，并且易產(chǎn)生模型漂移，尤其是當(dāng)模板中引入離群數(shù)據(jù)時會導(dǎo)致跟蹤失敗。針對L1跟蹤的速度問題，文獻[7]利用動態(tài)組稀疏提出一種兩階段稀疏優(yōu)化視覺跟蹤方法，該方法通過降低粒子特征的維數(shù)來提高L1跟蹤的效率。文獻[8]提出一種最小化誤差界采樣方法，通過減少L1最小化的求解次數(shù)提高L1跟蹤的速度。文獻[9]在L1最小化模型上增加小模板系數(shù)的L2范數(shù)正則化項，并設(shè)計了其快速算法，進一步提升了L1跟蹤的速度與魯棒性，但是它沒有考慮視覺跟蹤中表示系數(shù)的特殊稀疏結(jié)構(gòu)。根據(jù)粒子在同一模板集上表示系數(shù)的相似性，文獻[10]利用多任務(wù)稀疏學(xué)習(xí)聯(lián)合求解粒子的表示系數(shù)，提高了L1跟蹤的速度。為了適應(yīng)目標(biāo)表觀的變化，在跟蹤過程中要更新目標(biāo)模板。文獻[6,7,10]直接利用跟蹤結(jié)果更新目標(biāo)模板，使得離群數(shù)據(jù)引入到目標(biāo)模板中，從而引起跟蹤失敗。針對L1跟蹤的模型漂移問題，文獻[11,12]用正交完備基代替L1跟蹤中的過完備非正交基，提出一種基于小模板系數(shù)稀疏性約束的表示模型跟蹤目標(biāo)，提高了L1跟蹤的魯棒性。文獻[8,9,11]利用小模板系數(shù)檢測遮擋，根據(jù)檢測結(jié)果更新目標(biāo)模板。文獻[12]根據(jù)小模板系數(shù)重建目標(biāo)圖像，利用重建圖像更新目標(biāo)模板。文獻[8,9,11,12]中模板更新方法的問題在于小模板也能表示跟蹤目標(biāo)[9]，這時會導(dǎo)致遮擋檢測失敗。文獻[13]利用塊坐標(biāo)下降優(yōu)化原理提出了在線字典學(xué)習(xí)算法。為了解決離群數(shù)據(jù)對字典學(xué)習(xí)的影響，文獻[14]提出一種在線魯棒字典學(xué)習(xí)算法。從字典學(xué)習(xí)的角度看，模板更新是在線的字典學(xué)習(xí)問題，所以在線魯棒字典學(xué)習(xí)為魯棒模板更新提供了思路。

為了提高L1跟蹤的速度，降低模型漂移的發(fā)生，本文首先提出一種基于稀疏稠密結(jié)構(gòu)的魯棒表示模型。該模型對小模板系數(shù)和目標(biāo)模板系數(shù)分別進行L1范數(shù)和L2范數(shù)正則化，保證對遮擋目標(biāo)跟蹤的魯棒性，同時又增強了對離群模板的魯棒性。其次，基于塊坐標(biāo)優(yōu)化原理，利用嶺回歸和軟閾值操作快速求解候選目標(biāo)的表示系數(shù)，提高了目標(biāo)跟蹤的速度。最后，在文獻[13,14]的啟發(fā)下，本文提出一種魯棒字典學(xué)習(xí)算法用于模板更新，進一步降低了模型漂移的發(fā)生。在這3個方面的基礎(chǔ)上，本文實現(xiàn)了基于稀疏稠密結(jié)構(gòu)表示與在線魯棒字典學(xué)習(xí)的快速魯棒跟蹤方法，用多個具有挑戰(zhàn)性的圖像序列驗證了本文跟蹤方法的時效性。

2 稀疏稠密結(jié)構(gòu)魯棒表示模型

L1跟蹤用L1范數(shù)正則化最小二乘模型求解候選目標(biāo)的稀疏表示系數(shù)，在粒子濾波框架下，以候選目標(biāo)在目標(biāo)模板上的重建誤差作為觀測似然跟蹤目標(biāo)。L1跟蹤對目標(biāo)遮擋具有魯棒性的原因在于對表示系數(shù)的稀疏性約束。然而表示系數(shù)的稀疏性約束給L1跟蹤帶來了兩個不足[4]：一方面，由于一次跟蹤要求解較多L1最小問題，使得L1跟蹤的速度較慢。為了提高L1跟蹤的速度，現(xiàn)有方法[7-10]用低分辨圖像跟蹤目標(biāo)，降低了目標(biāo)跟蹤的精度；另一方面，表示系數(shù)的稀疏性約束使得L1跟蹤對模板中的離群數(shù)據(jù)較敏感，當(dāng)目標(biāo)模板中引入離群數(shù)據(jù)時，易發(fā)生跟蹤失敗。文獻[15]的研究結(jié)果表明：表示系數(shù)的稀疏性不是提高人臉識別性能的真正原因，在使用過完備非正交字典表示人臉時，編碼系數(shù)的L2范數(shù)約束也能保證較好的人臉識別性能。從上述分析可知：為了保證L1跟蹤對目標(biāo)遮擋的魯棒性，要對小模板系數(shù)施加L1范數(shù)約束，為了保證L1跟蹤對離群模板的魯棒性，要對目標(biāo)模板系數(shù)進行L2范數(shù)約束。據(jù)此，本文提出稀疏稠密結(jié)構(gòu)魯棒表示模型，如式(1)所示。

其中y∈Rd是候選目標(biāo)，T=[t1,t2,…,tn]∈Rd×n是目標(biāo)模板，I∈Rd×d稱為小模板，是一個單位陣，a稱為目標(biāo)模板系數(shù)，是候選目標(biāo)y在目標(biāo)模板T上的表示系數(shù)，e稱為小模板系數(shù)，是候選目標(biāo)y在小模板I上的表示系數(shù)，||?||1和||?||2分別表示L1范數(shù)和L2范數(shù)，1λ和2λ是正則化參數(shù)。

稀疏稠密結(jié)構(gòu)魯棒表示模型式(1)有以下優(yōu)點：首先，模型式(1)對小模板系數(shù)e進行L1范數(shù)約束，使得e具有稀疏性，這保證了對遮擋目標(biāo)跟蹤的魯棒性。其次，對目標(biāo)模板系數(shù)a進行L2范數(shù)約束，使得目標(biāo)模板系數(shù)a具有稠密性，這樣目標(biāo)跟蹤不依賴于少數(shù)幾個模板，而是所有模板共同作用的結(jié)果，這提高了跟蹤方法對模板中離群數(shù)據(jù)的魯棒性，即使模板中存在離群數(shù)據(jù)仍能穩(wěn)定跟蹤目標(biāo)。最后，基于塊坐標(biāo)優(yōu)化原理[16]，利用嶺回歸和軟閾值操作可以建立模型式(1)的快速求解算法，從而提高目標(biāo)跟蹤的速度。

3 稀疏稠密結(jié)構(gòu)魯棒表示快速算法

引理1 給定eopt，則

證明 假如已知eopt，則優(yōu)化問題式(1)等價于。此問題是L范數(shù)2正則化最小二乘問題，目標(biāo)函數(shù)對a求導(dǎo)數(shù)并令其等于零，即可得到aopt=(TTT+λ1I)-1TT(y-eopt)。

證畢

引理2 給定aopt，則eopt=Sλ2(y-Taopt)，其中Sτ(x)是軟閾值操作，定義為Sτ(xi)?sgn(xi)?max{|xi|-τ,0}, sgn(?)是符號函數(shù)。

證明 假如已知opta，則優(yōu)化問題式(1)等價于此問題是凸優(yōu)化問題，由文獻[17]可知，其全局最優(yōu)解可以通過軟閾值操作Sτ(x)得到，即eopt=Sλ2(y-Taopt) 證畢

由引理1和引理2，并結(jié)合塊坐標(biāo)優(yōu)化原理[17]可建立如表1所示的迭代算法求解優(yōu)化問題式(1)的最優(yōu)解。

我地的畜牧養(yǎng)殖業(yè)多集中在農(nóng)村地區(qū)，基層養(yǎng)殖場、養(yǎng)殖戶越來越多，交通的發(fā)展幫助養(yǎng)殖戶更好的獲取養(yǎng)殖利潤，但也使得原本局限于某些地區(qū)的動物疫病還是蔓延和傳播，甚至在傳播過程中出現(xiàn)突變，為我地基層養(yǎng)殖業(yè)造成更大的傷害。農(nóng)村基層動物防疫部門長期存在經(jīng)費短缺問題，在動物疫病傳播和突變頻繁的當(dāng)代，經(jīng)費短缺問題更加突出，沒有充足的設(shè)備、藥品及防疫設(shè)施，為農(nóng)村基層養(yǎng)殖業(yè)防疫工作造成極大的負(fù)面影響。

表1 稀疏稠密結(jié)構(gòu)魯棒表示快速算法

4 在線魯棒字典學(xué)習(xí)

其中W是一個對角陣，其值,jjW是y?i的第j個像素的權(quán)值，其它符號與式(1)相同。式(2)的求解包括編碼和字典更新兩個階段。在編碼階段，固定字典T求解編碼系數(shù)a?i。字典T已知，式(2)是L2范數(shù)正則化最小二乘問題，用IR3C(Iteratively Reweighted Regularized Robust Coding)算法[18]求解a?i。在字典更新階段，固定編碼系數(shù)a?i更新字典T。由文獻[14]知，可用塊坐標(biāo)共軛梯度下降算法逐行求解式(3)得到字典T。

表2 在線魯棒字典學(xué)習(xí)算法

表2 在線魯棒字典學(xué)習(xí)算法

5 目標(biāo)跟蹤

5.1 粒子濾波

粒子濾波包括預(yù)測和更新兩個步驟。假設(shè)y1:k-1={y1,y2,…,yk-1}為1到k-1時刻的所有圖像觀測，xk表示k時刻的目標(biāo)狀態(tài)，則預(yù)測過程為

其中p(xk|xk-1)是動態(tài)模型。本文采用的動態(tài)模型為

其中p(yk|xk)為觀測模型。給定第i個粒子的圖像觀測，本文用算法1求解式(7)。

在此基礎(chǔ)上，定義觀測模型為

5.2 跟蹤方法

以粒子濾波為框架，將動態(tài)模型、觀測模型和在線魯棒字典學(xué)習(xí)相結(jié)合建立跟蹤方法如表3所示。

表3 跟蹤方法

6 實驗結(jié)果與分析

6.1 實驗說明

以Matlab R2011b為開發(fā)工具，在Inter(R) Forth-Core 2.50 GHz CPU, 4G內(nèi)存的臺式機上，實現(xiàn)了本文提出的跟蹤方法(簡稱L1L2跟蹤)。用4個具有挑戰(zhàn)性的圖像序列[3]對本文L1L2跟蹤進行了實驗驗證，并與IVT跟蹤[1]，L1跟蹤[6]和SP跟蹤[11]進行了比較。實驗中，目標(biāo)的真實狀態(tài)和其它4個跟蹤方法在這4個測試序列上的跟蹤結(jié)果由標(biāo)準(zhǔn)測試數(shù)據(jù)庫得到[3]。本文L1L2跟蹤的粒子數(shù)為600，正則化參數(shù)λ1和λ2分別是0.001和0.100，模板大小和個數(shù)分別為32×32和16，每隔5幀進行一次模板更新。

6.2 實驗結(jié)果

圖1給出了4個跟蹤方法對4組測試序列的跟蹤結(jié)果。faceocc1序列存在較大的目標(biāo)遮擋，由于圖1(a)可以看出，對于faceocc1序列，本文L1L2跟蹤和L1跟蹤的結(jié)果較優(yōu)。david序列存在光照變化、out-plane旋轉(zhuǎn)和尺度變化等諸多挑戰(zhàn)，從圖1(b)可以看出，對于david序列，本文L1L2跟蹤和SP跟蹤的結(jié)果優(yōu)于其它兩種跟蹤方法。car4序列存在較大光照和尺度變化，由圖1(c)可以看出，對于car4序列，本文L1L2跟蹤、IVT跟蹤和SP跟蹤能夠穩(wěn)定跟蹤目標(biāo)，但是L1跟蹤發(fā)生了跟蹤漂移。jogging序列存在運動模糊、遮擋和變形等困難，從圖1(d)可以看出，對于jumping序列，本文L1L2跟蹤能夠穩(wěn)定地跟蹤目標(biāo)，其它跟蹤方法均發(fā)生了失敗。

本文利用跟蹤成功率曲線下面積和成功率均值定量評價跟蹤方法的性能[3]。假設(shè)目標(biāo)的真實矩形區(qū)域和目標(biāo)的跟蹤結(jié)果矩形區(qū)域分別是ra和rt，則重疊得分定義為：，其中∩和∪分別表示區(qū)域的交集和并集。如果跟蹤方法在一幀圖像上的重疊得分S大于重疊閾值t0時，則認(rèn)為該跟蹤方法在這一幀圖像上跟蹤成功。據(jù)此定義跟蹤方法在一個圖像序列上的跟蹤成功率為成功跟蹤的圖像幀數(shù)與序列圖像總幀數(shù)的比值。給定一系列重疊閾值即可得到跟蹤成功率曲線和成功率均值。圖2和表4分別給出了4種跟蹤方法在4個圖像序列上的跟蹤成功率曲線和成功率均值，由圖2和表4可以看出，本文提出的L1L2跟蹤方法優(yōu)于其它3個跟蹤方法。

表4 跟蹤成功率均值

假設(shè)U∈Rd×n是IVT跟蹤和SP跟蹤使用的特征基，T∈Rd×n是L1跟蹤使用的目標(biāo)模板，P∈Rd×n是算法1中的投影矩陣，k1是文獻[11]中算

6.3 復(fù)雜性分析法1的迭代次數(shù)。由文獻[1,6,11]可知，IVT跟蹤，L1跟蹤和SP跟蹤的計算復(fù)雜度如表5所示。本文L1L2跟蹤最耗時部分是用投影矩陣計算表示系數(shù)(算法1中的步驟3)，該計算是矩陣向量乘，其時間復(fù)雜度是O(k2dn)，其中，k2是算法1中的迭代次數(shù)。由上述分析可知：這4個跟蹤方法的計算復(fù)雜度級別相同，都是變量多項式的復(fù)雜度。表5中第3和4列分別給出了在相同軟硬件環(huán)境下，d=16×16和d=32×32，n=16時，求解一個樣本表示系數(shù)的計算時間，可以看出，本文L1L2跟蹤的速度比IVT跟蹤慢，但是快于SP跟蹤和L1跟蹤。

圖1 目標(biāo)跟蹤結(jié)果

表5 計算復(fù)雜度與計算時間(ms)

6.4 討論

與本文最相近的方法是SP跟蹤[11]，它們均繼承了L1跟蹤[6]對小模板系數(shù)的稀疏性約束，這保證了對遮擋目標(biāo)跟蹤的魯棒性。但是本文方法與SP跟蹤有以下不同。第一是使用的模板基不同，本文方法用過完備基表示目標(biāo)，SP跟蹤用正交基表示目標(biāo)。過完備基比正交基具有更優(yōu)的表示能力已在人臉識別中[4]得到證實。第二是模板更新方法不同，本文方法用過完備基表示目標(biāo)，可以用在線魯棒字典學(xué)習(xí)算法更新模板，這抑制了離群數(shù)據(jù)對模板更新的影響，從而降低“模型漂移”的發(fā)生。SP跟蹤用正交基表示目標(biāo)并用增量主分量分析[1]更新特征基，不可避免地會引起“模型漂移”，從而降低目標(biāo)跟蹤的精度，甚至導(dǎo)致跟蹤失敗。圖3和圖4分別給出了SP跟蹤的模板更新方法與本文模板更新方法對faceocc1序列跟蹤在第600幀時的模板更新結(jié)果，可以看出，與SP跟蹤的模板更新方法相比，本文模板更新方法的結(jié)果受離群數(shù)據(jù)的影響較小。第三是本文方法對目標(biāo)模板系數(shù)進行L2范數(shù)約束，提高了對模板中離群數(shù)據(jù)的魯棒性，即使模板中存在離群數(shù)據(jù)仍能穩(wěn)定跟蹤目標(biāo)。正是由于上述3個方面的原因，使得本文方法的跟蹤精度優(yōu)于SP跟蹤。

圖2 跟蹤成功率曲線

圖3 SP模板更新結(jié)果

圖4 本文方法模板更新結(jié)果

7 結(jié)論

本文提出一種稀疏與稠密結(jié)構(gòu)表示模型，用于解決L1跟蹤存在的速度慢和易受離群數(shù)據(jù)干擾的不足。對小模板系數(shù)進行L1范數(shù)約束保證了對遮擋目標(biāo)跟蹤的魯棒性，對目標(biāo)模板系數(shù)進行L2范數(shù)約束解決了L1跟蹤易于受離群數(shù)據(jù)干擾的問題?；趬K坐標(biāo)優(yōu)化原理，利用嶺回歸和軟閾值操作設(shè)計了稀疏與稠密結(jié)構(gòu)表示快速求解算法，提高了目標(biāo)跟蹤的速度。本文提出在線魯棒字典學(xué)習(xí)算法實現(xiàn)模板更新，減小了離群數(shù)據(jù)對模板更新的影響，降低了模型漂移的發(fā)生。以粒子濾波為框架實現(xiàn)了基于稀疏稠密結(jié)構(gòu)表示與在線魯棒字典學(xué)習(xí)的的跟蹤方法，在多個圖像序列上的實驗結(jié)果表明，本文跟蹤方法優(yōu)于現(xiàn)有跟蹤方法。

[1] Ross D, Lim J, Lin R S, et al.. Incremental learning for robust visual tracking[J]. International Journal of Computer Vision, 2008, 77(1/2/3): 125-141.

[2] Kwon J and Lee K M. Visual tracking decomposition[C]. Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, San Francisco, 2010: 1269-1276.

[3] Wu Yi, Lim Jongwoo, and Yang Ming-hsuan. Online object tracking: a benchmark[C]. Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, Portland, 2013: 2411-2418.

[4] Zhang Sheng-ping, Yao Hong-xun, Sun Xin, et al.. Sparse coding based visual tracking: review and experimental comparison[J]. Pattern Recognition, 2013, 46(7): 1772-1788.

[5] Wright J, Yang A Y, Ganesh A, et al.. Robust face recognition via sparse representation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2009, 31(2): 210-227.

[6] Mei X and Ling H B. Robust visual tracking using L1minimization[C]. Proceedings of IEEE InternationalConference on Computer Vision, Kyoto, 2009: 1436-1443.

[7] Liu Bai-yang, Yang Lin, Huang Jun-zhou, et al.. Robust and fast collaborative tracking with two stage sparse optimization[C]. Proceedings of Europe Conference on Computer Vision, Crete, 2010, Part IV: 624-637.

[8] Mei X, Ling H B, Wu Y, et al.. Minimum error bounded efficient L1tracker with occlusion detection[C]. Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, Colorado, 2011: 1257-1264.

[9] Bao Cheng-long, Wu Yi, Ling Hai-bin, et al.. Real time robust L1tracker using accelerated proximal gradient approach[C]. Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, Rhode Island, 2012: 1830-1837.

[10] Zhang Tian-zhu, Bernard Ghanem, Liu Si, et al.. Robust visual tracking via multi-task sparse learning[J]. International Journal of Computer Vision, 2013, 101(2): 367-383.

[11] Wang Dong, Lu Hu-chuan, and Yang Ming-hsuan. Online object tracking with sparse prototypes[J]. IEEE Transactions on Image Processing, 2013, 22(1): 314-325.

[12] Wang Dong, Lu Hu-chuan, and Yang Ming-hsuan. Least soft-thresold squares tracking[C]. Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, Portland, 2013: 2371-2378.

[13] Mairal J, Bach F, Ponce J, et al.. Online learning for matrix factorization and sparse coding [J]. Journal of Machine Learning Research, 2010(11): 19-60.

[14] Lu Ce-wu, Shi Jian-ping, and Jia Jia-ya. Online robust dictionary learning[C]. Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, Portland, 2013: 415-422.

[15] Zhang Lei, Yang Meng, and Feng Xiang-chu. Sparse representation or collaborative representation: which helps face recognition?[C]. Proceedings of IEEE International Conference on Computer Vision, Colorado, 2011: 471-487.

[16] Tseng Paul and Yun Sangwoon. A block-coordinate gradient descent method for linearly constrained nonsmooth separable optimization[J]. Optimization Theory Application, 2009, 140(3): 513-535.

[17] Yang A Y, Ganesh A, Zhou Zi-han, et al.. A review of fast L1-minimization algorithms for robust face recognition[J]. IEEE Transactions on Image Processing, 2013, 22(8): 3234-3246.

[18] Yang Meng, Zhang Lei, Yang Jian, et al.. Regularized robust coding for face recognition[J]. IEEE Transactions on Image Processing, 2013, 22(5): 1753-1766.

袁廣林： 男，1973年生，博士，講師，主要研究方向為圖像處理、計算機視覺、機器學(xué)習(xí)及其應(yīng)用等.

薛模根： 男，1964年生，博士，教授，博士生導(dǎo)師，主要研究方向為圖像處理、計算機視覺、光電防御等.

Visual Tracking Based on Sparse Dense Structure Representation and Online Robust Dictionary Learning

Yuan Guang-lin①Xue Mo-gen②③①(Eleventh Department, Army Officer Academy of PLA, Hefei 230031, China)
②(Department of Scientific Research, Army Officer Academy of PLA, Hefei 230031, China)
③(School of Computer and Information, Hefei University of Technology, Hefei 230009, China)

The L1trackers are robust to moderate occlusion. However, the L1trackers are very computationally expensive and prone to model drift. To deal with these problems, firstly, a robust representation model is proposed based on sparse dense structure. The tracking robustness is improved by adding an L2norm regularization on the coefficients associated with the target templates and L1norm regularization on the coefficients associated with the trivial templates. To accelerate object tracking, a block coordinate optimization theory based fast numerical algorithm for the proposed representation model is designed via the ridge regression and the soft shrinkage operator. Secondly, to avoid model drift, an online robust dictionary learning algorithm is proposed for template update. Robust fast visual tracker is achieved via the proposed representation model and dictionary learning algorithm in particle filter framework. The experimental results on several challenging image sequences show that the proposed method has better performance than the state-of-the-art tracker.

Visual tracking; Sparse representation; Dense representation; Dictionary learning

TP391.4

A

1009-5896(2015)03-0536-07

10.11999/JEIT140507

2014-04-17收到，2014-06-30改回

國家自然科學(xué)基金(61175035, 61379105)資助課題

*通信作者：袁廣林 yuanguanglin1008@sina.com