Robust Visual Tracking and Vehicle Classification via Sparse Representation 阅读小结

题目：Robust Visual Tracking and Vehicle Classification via Sparse Representation

作者：Xue Mei, Member, IEEE, and Haibin Ling, Member, IEEE

来源：IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE

1. 总结

这篇文章中的跟踪器即为：L1跟踪器。L1跟踪器属于生成模型的的跟踪器。该跟踪器是在粒子滤波的框架下，通过对候选目标进行稀疏表示，找到重构误差最小的样本作为跟踪目标来实现跟踪的。这篇文章的几个要点是：

（1）粒子滤波

（2）候选目标的稀疏表示

（3）非负性约束

（4）目标模板集的更新

（5）同时实现目标跟踪及目标识别

2. 技术细节

（1）粒子滤波

粒子滤波是一种贝叶斯序贯重要性采样技术，它通过许多个采样样本对后验概率分布进行近似。它主要包括两个方面：预测和更新。具体技术细节参见相关文献。

本文中对6个仿射参数来表示目标在当前图像帧的位置和大小。状态的转移也是采用的仿射参数。有了仿射参数我们可以确定在一幅图像中确定一个目标图像片。

（2）候选目标的稀疏表示

我们要对目标进行稀疏表示，首先得有表示的基吧？即目标模板集。这里在第一帧手动选择出目标，然后进行几个扭动最后得到10个模板。这10个模板构成目标表示的模板集。但是，仅有目标模板就够了吗，这显然是不可以的。因为当目标部分遮挡，出现噪声时仅用目标目标表示是不精确的。在文中作者选择了一组简单模板来表示模板的各种变换。表示示意图如下图所示：



候选目标表示的方程是：



在这里，对于一个好的候选目标，其表示稀疏应该只有少数非0值。因此，对于表示稀疏的求解过程中需要加入稀疏性限制，这里采用L1正则化进行求解。如下：



通过上述公式既可以求出候选目标的稀疏表示，然后选择重构误差最小的候选样本作为跟踪目标。

（3）非负性约束

这样一种情况，当某个候选样本片的灰度刚好是目标灰度的反转时，这样也可以得到一个稀疏表示，而此时显然候选样本不是跟着目标，因此会发生跟着漂移。所以这里对表示系数进行了一个非负性约束C》0，同时在简单模板集中加入负的简单模板，即一个负的单位矩阵。这样也是容易理解的，因为一个好的候选目标肯定是正的目标模板集表示，其系数也是正的。

（4）模板更新

为了适应目标外观可能出现的各种变化，这里引进了模型更新策略。如下：



（5）同时实现目标跟踪及目标识别

同时实现目标的识别的过程大体相同，其也是通过优化L1正则化方程！只是模板集中除了目标模板和简单模板外，加入了静态目标模板，这些模板就是跟踪目标的候选类别，并且在跟踪的过程中不更新。此时，候选目标的表示为：



通过上面相同的方法可以求得表示系数C。跟踪目标及所属类别的确定是通过以下方程的：



目标最后的类是所有帧累计的结果，累计的计算过程如下：


最后即可以确定出跟踪目标所属的类别。

3. 后续

后来有多篇文章针对L1进行了改进！