采用稀疏特征選擇的紅外運(yùn)動(dòng)目標(biāo)跟蹤方法

雍 楊，王升哲，王兵學(xué)，陳咸志

(西南技術(shù)物理研究所，四川 成都610041)

1 引言

紅外運(yùn)動(dòng)目標(biāo)的跟蹤在軍事和民用上有著廣泛的用途。對(duì)于天空背景的紅外運(yùn)動(dòng)目標(biāo)，由于背景比較簡(jiǎn)單，目標(biāo)有比較高的對(duì)比度，用顯著目標(biāo)提取、背景建模等方法可以實(shí)現(xiàn)對(duì)目標(biāo)的檢測(cè)和跟蹤。對(duì)于地面背景的紅外運(yùn)動(dòng)目標(biāo)，跟蹤過(guò)程中遇到的困難則比較多，如目標(biāo)對(duì)比度低、目標(biāo)遮擋、目標(biāo)外觀變化等［1］。一些經(jīng)典的目標(biāo)跟蹤方法如模板匹配法、光流法、卡爾曼濾波法、粒子濾波法等，都因?yàn)榧t外目標(biāo)自身信息少且背景干擾多的原因難以獲得滿意的效果［2］。

近年來(lái)雖然又提出了一些比較好的目標(biāo)跟蹤算法，如2008年David提出的子空間增量學(xué)習(xí)跟蹤算法［3］，2009年Boris提出的MIL跟蹤方法［4］，同年，Xue Mei提出的Li跟蹤算法［5］，但這些算法的設(shè)計(jì)和測(cè)試都是基于可見光圖像，所跟蹤的目標(biāo)也比較大，具有比較豐富的灰度層次和明顯的細(xì)節(jié)。而紅外圖像依靠目標(biāo)的熱輻射成像，與可見光圖像相比，紅外運(yùn)動(dòng)目標(biāo)有對(duì)比度低、邊緣模糊、缺乏細(xì)節(jié)、信噪比低等特點(diǎn)，跟蹤起來(lái)較可見光目標(biāo)難度更大。

稀疏表達(dá)理論的提出有效解決了光照、姿態(tài)變化以及遮擋情況下的目標(biāo)識(shí)別與跟蹤問(wèn)題［6－7］。但現(xiàn)有基于稀疏表示的跟蹤方法都是用整個(gè)跟蹤區(qū)域來(lái)構(gòu)建超完備字典，并沒有將背景從跟蹤區(qū)域中剔除，因此背景部分對(duì)跟蹤形成了干擾。對(duì)于運(yùn)動(dòng)目標(biāo)，背景隨目標(biāo)運(yùn)動(dòng)變化顯著，這種干擾就顯得更為明顯。本文在用稀疏表達(dá)對(duì)跟蹤目標(biāo)區(qū)域建模后，通過(guò)Logistic回歸模型進(jìn)行特征選擇，對(duì)目標(biāo)和背景進(jìn)行分離以在最大程度上減少背景因素的影響，并用模板在線更新適應(yīng)目標(biāo)的外觀變化，整個(gè)跟蹤過(guò)程在粒子濾波框架下實(shí)現(xiàn)。實(shí)驗(yàn)證明本文提出的算法能很好地實(shí)現(xiàn)多種復(fù)雜場(chǎng)景下紅外運(yùn)動(dòng)目標(biāo)的穩(wěn)健跟蹤。

2 紅外運(yùn)動(dòng)目標(biāo)特性分析

紅外運(yùn)動(dòng)目標(biāo)的特性可以從兩個(gè)方面來(lái)描述:灰度特征和運(yùn)動(dòng)特性。

從灰度特征方面來(lái)說(shuō)，紅外運(yùn)動(dòng)目標(biāo)輪廓不清晰，灰度特性依賴于成像時(shí)的溫度、濕度等條件，沒有固定的特征模式。以車輛目標(biāo)為例，不同的運(yùn)動(dòng)軌跡、不同的車輛類型使得目標(biāo)區(qū)域的灰度呈現(xiàn)多模，如圖1(a)中的目標(biāo)1和目標(biāo)2是兩個(gè)運(yùn)動(dòng)方向相反的不同車輛目標(biāo)，可以看到目標(biāo)1呈現(xiàn)為亮目標(biāo)特性，而目標(biāo)2則呈現(xiàn)出暗目標(biāo)特性。圖1(b)中有三個(gè)不同車型的運(yùn)動(dòng)目標(biāo)，它們雖然同方向行駛，但各自的灰度特征仍然有顯著差別。此外，紅外運(yùn)動(dòng)目標(biāo)的灰度特性與背景的熱輻射特性也有緊密關(guān)系，如車輛目標(biāo)多行駛在水泥路面上，其熱輻射非常強(qiáng)烈，因此路面在經(jīng)過(guò)一段時(shí)間的太陽(yáng)照射后在紅外圖像中也呈現(xiàn)為高亮度特性，使得車輛目標(biāo)與道路的分界線模糊，對(duì)跟蹤造成困難。遠(yuǎn)距離的海面艦船目標(biāo)則通常呈現(xiàn)為與背景的灰度差異很小的弱目標(biāo)，如圖1(c)中位于海天線附近的艦船目標(biāo)，就只有發(fā)動(dòng)機(jī)部分具有較高的亮度。

紅外運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)特性與其他模式圖像中的運(yùn)動(dòng)目標(biāo)相仿，表現(xiàn)為目標(biāo)具有一定的運(yùn)動(dòng)方向，有自己的運(yùn)動(dòng)軌跡。運(yùn)動(dòng)特性可以用于目標(biāo)位置預(yù)測(cè)、真假目標(biāo)辨別。

因此，紅外運(yùn)動(dòng)目標(biāo)沒有穩(wěn)定、顯著的亮度特征和梯度特征，且在運(yùn)動(dòng)過(guò)程中會(huì)出現(xiàn)目標(biāo)遮擋、目標(biāo)外形變化等復(fù)雜情況，因此，要解決好紅外運(yùn)動(dòng)目標(biāo)的跟蹤問(wèn)題，需要引入具有更強(qiáng)學(xué)習(xí)能力和更好適應(yīng)能力的方法。

圖1 不同運(yùn)動(dòng)目標(biāo)的紅外特性Fig．1 The infrared characteristics of different targets

3 基于稀疏特征選擇的運(yùn)動(dòng)目標(biāo)跟蹤

3．1 稀疏表達(dá)原理

根據(jù)稀疏編碼模型，任何一幅圖像都有y∈RM可以進(jìn)行稀疏表達(dá)。設(shè)字典矩陣Φ由一組線性獨(dú)立的基矢量組成:Φ=［1，2，…，N］∈RM×N。候選目標(biāo)向量y∈RM，則y可以用字典Φ的各個(gè)列向量線性表示，即:

式中，a∈Rm是目標(biāo)的稀疏表達(dá)系數(shù)向量，考慮現(xiàn)實(shí)情況中信號(hào)中不可避免有噪聲污染，目標(biāo)向量很難得到完美重構(gòu)，因此在上式中添加了e表示真實(shí)圖像與重構(gòu)圖像的殘差。稀疏表達(dá)就是用盡量少的線性向量表示y，式(1)中Φ與y是已知的，需要求的是圖像在字典中所對(duì)應(yīng)的系數(shù)向量a，因?yàn)樽值渚仃嚘凳沁^(guò)完備的，沒有唯一解，可以通過(guò)最小化重構(gòu)誤差來(lái)求解該系數(shù):

式中，參數(shù)λ控制著系數(shù)向量和噪聲的稀疏程度，λ增大則系數(shù)的稀疏度增大。式(2)中的l0范數(shù)最小化問(wèn)題是NP－h(huán)ard問(wèn)題，計(jì)算效率極低，根，當(dāng)式(2)的解足夠稀疏，則可以將它寫為:

即用l1范數(shù)方法代替l0范數(shù)，將問(wèn)題轉(zhuǎn)變?yōu)橐粋€(gè)凸優(yōu)化問(wèn)題，可以用多種方法進(jìn)行求解。

3．2 運(yùn)動(dòng)目標(biāo)特征提取

目前確定目標(biāo)初始區(qū)域都是用一個(gè)矩形框來(lái)劃定感興趣目標(biāo)的，但目標(biāo)的形狀往往是不規(guī)則的，也就是說(shuō)目標(biāo)初始區(qū)域內(nèi)必然包含了背景成分。對(duì)于靜止目標(biāo)或目標(biāo)運(yùn)動(dòng)幅度不大的情況，初始區(qū)域中的背景成分對(duì)跟蹤的影響還不是很明顯。但對(duì)于運(yùn)動(dòng)目標(biāo)來(lái)說(shuō)，在運(yùn)動(dòng)過(guò)程中目標(biāo)周圍的背景是不斷變化的，特別是目標(biāo)運(yùn)動(dòng)比較快時(shí)，初始字典矩陣的更新落后于目標(biāo)運(yùn)動(dòng)速度，用字典矩陣中的基矢量重構(gòu)得到的圖像與真實(shí)目標(biāo)區(qū)域的誤差會(huì)不斷增大，最終導(dǎo)致跟蹤逐漸向背景漂移。如果能夠?qū)Τ跏紖^(qū)域進(jìn)行分析，得到最能代表目標(biāo)特性的特征位置，就能在一定程度上將背景分離開來(lái)，從而降低背景對(duì)運(yùn)動(dòng)目標(biāo)跟蹤的影響。進(jìn)行運(yùn)動(dòng)目標(biāo)特征選擇的另一個(gè)顯著優(yōu)點(diǎn)，是對(duì)運(yùn)算效率的提高，即特征選擇后參與計(jì)算的矩陣變小，可以提高計(jì)算效率。

目前特征選擇方法種類很多，Logistic回歸模型是一種應(yīng)用廣范的分類方法，Liu Jun等人提出了用Lassplore方法解大規(guī)模的稀疏Logistic回歸問(wèn)題［8］，進(jìn)而進(jìn)行特征選擇。本文采用Logistic回歸模型進(jìn)行特征選擇，其原理是通過(guò)學(xué)習(xí)找到一個(gè)合適的能量函數(shù)，并使用損失函數(shù)對(duì)能量函數(shù)的好壞進(jìn)行評(píng)價(jià)，通過(guò)最小化損失函數(shù)搜索到合適的能量函數(shù)，從而得到最佳的特征權(quán)重值。

圖2 正負(fù)樣本采集Fig．2 Positive and negative samples

特征選擇需要輸入多個(gè)樣本進(jìn)行學(xué)習(xí)，如圖2所示，正樣本集通過(guò)對(duì)初始目標(biāo)區(qū)域進(jìn)行一定的仿射變換后得到，負(fù)樣本集則在初始目標(biāo)區(qū)域之外的圖像中進(jìn)行采集。能量函數(shù)的使用可以描述如下:

假設(shè)樣本集為S，含有n個(gè)樣本S={(b1，c1)，(b2，c2)，…，(bn，cn)}，其中bi∈Rm為樣本，ci=為每個(gè)樣本的類標(biāo)簽，針對(duì)該模型定義一個(gè)能量函數(shù)來(lái)度量類標(biāo)簽bi與樣本ai相一致的程度。能量函數(shù)的值低，說(shuō)明二者一致性高，反之二者一致性低。因此，Logistic回歸模型中的學(xué)習(xí)過(guò)程就是搜索合適的能量函數(shù)以找到與樣本ai一致性最高的bi，也就是理想輸出。

定義Logistic回歸模型為:

其中，Prob(c|b)是類標(biāo)簽的后驗(yàn)概率，w為特征的權(quán)重矢量，d為截距。

可以用經(jīng)驗(yàn)期望值表示樣本bi的對(duì)數(shù)Logistic損失函數(shù)，并且為了避免監(jiān)督學(xué)習(xí)中特征維數(shù)較高而樣本數(shù)不足時(shí)容易產(chǎn)生的過(guò)學(xué)習(xí)問(wèn)題，加上了一個(gè)L2正則化項(xiàng)，最終的損失函數(shù)定義如下:

在確定損失函數(shù)的形式后，通過(guò)最小化損失函數(shù)便可以得到合適的能量函數(shù)，從而獲取最佳的參數(shù)矢量w，即:

式中，β是一個(gè)可調(diào)的參數(shù)。公式(7)可以通過(guò)梯度下降來(lái)尋找其最優(yōu)權(quán)重參數(shù)矢量w，本文通過(guò)調(diào)用稀疏學(xué)習(xí)庫(kù)SLEP中的函數(shù)予以求解。

求到的權(quán)重矢量w中，樣本中背景或者部分不顯著特征對(duì)應(yīng)的系數(shù)均為0，也就是說(shuō)這一部分像素點(diǎn)可以不參與求解稀疏編碼系數(shù)的計(jì)算，為此將實(shí)時(shí)圖像中的多個(gè)采樣樣本和稀疏字典矩陣向權(quán)重矢量w投影，即:

其中，y'和Φ'的維數(shù)都小于原來(lái)的維數(shù)，這樣可以進(jìn)一步求解稀疏系數(shù)向量的計(jì)算效率。以稀疏字典矩陣Φ為例，原始大小為M*N，經(jīng)過(guò)投影后變?yōu)镸'*N，M'的大小就是特征權(quán)重矢量w中不為零的元素個(gè)數(shù)。由此可以看出，目標(biāo)特征提取的越精準(zhǔn)，就越能避免背景成分對(duì)跟蹤算法的影響，并且可以減小計(jì)算量。

圖3是采用兩個(gè)典型目標(biāo)進(jìn)行特征選擇的結(jié)果，這兩個(gè)例子充分體現(xiàn)出了紅外圖像目標(biāo)成像缺乏紋理特征、邊界模糊的特點(diǎn)。圖3(a)、(b)、(c)中的灰度圖是目標(biāo)樣本，二值圖是特征選擇后的權(quán)值圖，其中為1的像素點(diǎn)為目標(biāo)，為0的像素點(diǎn)是背景。圖3(a)中的車輛目標(biāo)比較顯著，特征選擇后目標(biāo)與背景分離的比較好;圖3(b)中的車輛目標(biāo)有一部分與背景灰度差別很小，人眼難以區(qū)分，經(jīng)過(guò)特征選擇后也還得到了不錯(cuò)的分離結(jié)果;圖3(c)中的艦船目標(biāo)也選擇出了目標(biāo)最顯著的特征。通過(guò)對(duì)不同情況下的紅外運(yùn)動(dòng)目標(biāo)實(shí)驗(yàn)證明，Logistic回歸模型通過(guò)對(duì)多個(gè)正、負(fù)樣本的學(xué)習(xí)，能夠找到一個(gè)比較合適的特征權(quán)重值，對(duì)目標(biāo)和背景進(jìn)行較好的區(qū)分。

圖3 特征選擇結(jié)果Fig．3 Feature selection results

3．3 字典矩陣在線更新

現(xiàn)有的在線學(xué)習(xí)跟蹤方法多采用固定間隔對(duì)目標(biāo)模板進(jìn)行更新，如文獻(xiàn)等［3］、［5］，這些文章中跟蹤的目標(biāo)都比較大，細(xì)節(jié)也比較豐富，因此初始目標(biāo)模板大多能比較好的突出目標(biāo)本身的特征，包含的背景成分不多，采用固定間隔的更新方法能取得比較好的效果。但這種思路對(duì)于本文中的紅外運(yùn)動(dòng)目標(biāo)來(lái)說(shuō)卻不太適合，主要是目標(biāo)比較小，目標(biāo)模板中包含的背景成分在經(jīng)過(guò)特征選擇后也不能被完全分離，跟蹤過(guò)程中背景變化很快，會(huì)導(dǎo)致當(dāng)前時(shí)刻目標(biāo)區(qū)域上提取的特征向量與字典矩陣中的特征向量存在差異，從而導(dǎo)致跟蹤性能的逐漸下降。因此，本文采用每幀更新的方法來(lái)適應(yīng)運(yùn)動(dòng)目標(biāo)及目標(biāo)背景的快速變化。需要更新的有三部分:

1)正樣本:初始化跟蹤時(shí)根據(jù)目標(biāo)的仿射變化產(chǎn)生了若干個(gè)正樣本，在每次更新過(guò)程中找出與當(dāng)前跟蹤結(jié)果差別最大的樣本進(jìn)行替換，這樣可以將目標(biāo)的最新外觀模型加入到正樣本集中;

2)負(fù)樣本:在得到每幀的跟蹤結(jié)果后，在目標(biāo)周圍一定范圍內(nèi)進(jìn)行采樣，更新全部負(fù)樣本;

3)特征權(quán)重矢量w:在目標(biāo)正、負(fù)樣本集都進(jìn)行了更新之后，需要重新進(jìn)行特征選擇，即通過(guò)計(jì)算公式(6)獲取新的特征權(quán)重矢量w。

3．4 算法小結(jié)

本文采用粒子濾波作為跟蹤算法的框架，算法步驟可以總結(jié)如下:

輸入:視頻圖像It，上一幀目標(biāo)位置Xt－1，字典矩陣Φ，粒子數(shù)量N。

輸出:當(dāng)前幀跟蹤到的目標(biāo)位置Xt。

1)字典矩陣初始化。在第1幀圖像中根據(jù)預(yù)先確定的跟蹤區(qū)域選定初始模板，并對(duì)該模板進(jìn)行不同參數(shù)的仿射變換產(chǎn)生n1個(gè)正樣本，在初始模板周圍隨機(jī)選擇n2個(gè)負(fù)樣本。

2)特征選擇。建立Logistic能量損失函數(shù)，對(duì)正樣本集和負(fù)樣本集進(jìn)行學(xué)習(xí)，得到最佳特征權(quán)重矢量w;

3)粒子生成。以Xt－1為均值，δ為方差，按高斯分布生成N個(gè)粒子即N個(gè)候選目標(biāo)的仿射變換參數(shù);

4)利用N個(gè)仿射變換參數(shù)在圖像中生成N個(gè)候選目標(biāo)圖像，歸一化并拉伸為向量，記做yit;

5)用公式(7)，將yit和字典矩陣Φ向特征權(quán)重矢量空間投影，得到y(tǒng)'和Φ';

6)用公式(8)計(jì)算l1最小化問(wèn)題，得到稀疏編碼系數(shù)a;

7)根據(jù)稀疏編碼的系數(shù)向量a重構(gòu)圖像，并以重構(gòu)誤差最小的候選樣本為當(dāng)前跟蹤結(jié)果;

8)更新正樣本集、負(fù)樣本集和字典矩陣，進(jìn)入步驟(2)。

4 實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證本文算法的有效性，選擇了典型環(huán)境下的五組紅外運(yùn)動(dòng)目標(biāo)視頻進(jìn)行測(cè)試，并與近年來(lái)提出的子空間增量學(xué)習(xí)跟蹤方法(IVT)、L1跟蹤方法進(jìn)行了比較。在實(shí)驗(yàn)中，設(shè)粒子濾波中目標(biāo)仿射運(yùn)動(dòng)變量為P=(xt，yt，ηt，s1t，s2t)，其中xt、yt表示t時(shí)刻目標(biāo)在x和y方向的平移，ηt表示目標(biāo)旋轉(zhuǎn)角，s1t和s2t表示目標(biāo)在x和y方向的尺度變化。

視頻Car1的跟蹤對(duì)象為公路上行駛的車輛，由于拍攝角度的原因，目標(biāo)上半部分與背景區(qū)別很小，如圖3(b)中的灰度圖所示。跟蹤結(jié)果如圖4(a)所示，在第122幀目標(biāo)與一個(gè)對(duì)面駛來(lái)的亮目標(biāo)交會(huì)，三種跟蹤方法都沒有受到影響，第382幀目標(biāo)追上了同向行駛的另一車輛，IVT方法和L1方法受到了另一車輛目標(biāo)的影響，發(fā)生跟蹤漂移，到了第416幀，只有本文方法能繼續(xù)對(duì)目標(biāo)進(jìn)行跟蹤，另兩種方法均已跟蹤失敗。

圖4 三種方法車輛跟蹤效果對(duì)比Fig．4 Comparison of three algorithms for vehicle tracking

圖4 (b)中，視頻Car2對(duì)灌木叢中行駛的車輛進(jìn)行了跟蹤。由于地表植被豐富，目標(biāo)的對(duì)比度比起在公路上行駛的車輛要低很多，且一些較高的植物形成了遮擋。在第43幀中三種跟蹤方法對(duì)目標(biāo)跟蹤穩(wěn)定，之后由于成像平臺(tái)大幅向右移動(dòng)，到了第57幀時(shí)IVT方法和L1方法在跟蹤中產(chǎn)生了滯后，本文方法仍對(duì)目標(biāo)保持了穩(wěn)定跟蹤。第384幀地表植物對(duì)目標(biāo)形成了遮擋，IVT方法和L1方法都沒有能抵抗對(duì)運(yùn)動(dòng)目標(biāo)的遮擋，跟蹤發(fā)生顯著漂移，到了第508幀，只有本文方法仍然對(duì)目標(biāo)保持了正確跟蹤，另兩種方法均已失敗。

上面兩組實(shí)驗(yàn)表明，本文提出的跟蹤算法在對(duì)紅外運(yùn)動(dòng)小目標(biāo)的跟蹤過(guò)程中，通過(guò)對(duì)正負(fù)樣本集的監(jiān)督學(xué)習(xí)，對(duì)目標(biāo)和背景進(jìn)行了區(qū)分，在很大程度上減弱了跟蹤過(guò)程中背景對(duì)目標(biāo)的影響，因此對(duì)機(jī)動(dòng)性強(qiáng)、有部分遮擋、有相似目標(biāo)干擾等復(fù)雜背景的紅外運(yùn)動(dòng)目標(biāo)，本文算法的跟蹤都是穩(wěn)定有效的。

圖5是另一些典型場(chǎng)景的跟蹤結(jié)果。圖5(a)是對(duì)自然場(chǎng)景中的卡車目標(biāo)進(jìn)行跟蹤，該目標(biāo)由遠(yuǎn)及近行駛，出現(xiàn)了明顯的尺度變化，從第326幀可以看出目標(biāo)的膨脹變化，目標(biāo)運(yùn)動(dòng)過(guò)程中成像平臺(tái)有比較大幅度的移動(dòng)，因此目標(biāo)在圖像中有大尺度的位移，并且圖像產(chǎn)生了明顯的模糊，如第401幀所示，本文算法在目標(biāo)膨脹、目標(biāo)大尺度位移、圖像模糊等情況下實(shí)現(xiàn)了穩(wěn)定跟蹤;圖5(b)是對(duì)海面的艦船弱小目標(biāo)進(jìn)行跟蹤，此視頻中目標(biāo)成像對(duì)比度很低，且目標(biāo)行駛在海面上，受海面波浪的涌動(dòng)上下起伏，形狀也有所變化。本文提出的算法能對(duì)該視頻序列進(jìn)行持續(xù)穩(wěn)定跟蹤;圖5(c)的跟蹤對(duì)象是另一個(gè)場(chǎng)景下的海面艦船小目標(biāo)，該視頻序列中艦船目標(biāo)有一個(gè)掉頭行駛的過(guò)程，因此外形出現(xiàn)明顯變化，如第290幀、662幀所示，本文算法能在目標(biāo)形狀及灰度發(fā)生改變的整個(gè)過(guò)程都保持穩(wěn)定跟蹤。

圖5 不同場(chǎng)景紅外運(yùn)動(dòng)目標(biāo)跟蹤效果Fig．5 Tracking results of infrared moving targets in different scenes

為了比較本文算法與IVT方法和L1跟蹤方法的跟蹤精度，本文計(jì)算了跟蹤目標(biāo)的中心位置與手動(dòng)標(biāo)記的真實(shí)中心位置之間的歐式距離，用于衡量三種算法的跟蹤精度。為了顯示得更為清楚，每隔5幀比較1次，如圖6所示?？梢钥吹剑谌N不同環(huán)境的車輛目標(biāo)跟蹤測(cè)試中，本文算法的跟蹤精度都是最高的。

圖6 三種跟蹤算法跟蹤誤差對(duì)比Fig．6 Tracking error comparison of three algorithms

表1列出了三種算法對(duì)本文測(cè)試的視頻的平均處理時(shí)間，本文算法參與求解稀疏系數(shù)的變量維數(shù)均大大小于L1算法，因此運(yùn)算效率比L1跟蹤方法高，但特征選擇部分需要進(jìn)行多次迭代，因此比IVT方法低。

表1 三種算法平均運(yùn)算時(shí)間比較Tab．1 Average operation time comparison of three algorithms s

5 結(jié)束語(yǔ)

本文提出了一種采用稀疏特征選擇的紅外運(yùn)動(dòng)目標(biāo)跟蹤算法，在稀疏表達(dá)的基礎(chǔ)上，通過(guò)對(duì)特征選擇分離跟蹤區(qū)域內(nèi)的目標(biāo)和背景，有效削弱了背景成分對(duì)于運(yùn)動(dòng)目標(biāo)跟蹤的影響并提高了運(yùn)算效率，通過(guò)對(duì)正負(fù)樣本的在線更新，增強(qiáng)了算法對(duì)目標(biāo)外觀變化的適應(yīng)性。對(duì)多個(gè)自然復(fù)雜場(chǎng)景中的紅外運(yùn)動(dòng)小目標(biāo)視頻的跟蹤結(jié)果表明本文算法能對(duì)目標(biāo)進(jìn)行持續(xù)穩(wěn)定跟蹤，并且有跟蹤精度高、計(jì)算速度快的優(yōu)點(diǎn)。

［1］ PENG Chen，CHEN Qian，QIAN Weiian，et al．Infrared moving targets tracking under complex ground scene［J］．Infrared and Laser Engineering，2013，42(6):1410－1415．(in Chinese)彭晨，陳錢，錢惟賢，等．復(fù)雜地面場(chǎng)景下的紅外運(yùn)動(dòng)目標(biāo)跟蹤．紅外與激光工程［J］．2013，42(6):1410－1415．

［2］ TANG Zhengyuan，ZHAO Jiajia，YANG Jie，et al．Infrared target tracking algorithm based on sparse representation model［J］．Infrared and Laser Engineering，2012，41(5):1389－1395．(in Chinese)唐崢遠(yuǎn)，趙佳佳，楊杰，等．基于稀疏表示模型的紅外目標(biāo)跟蹤算法［J］．紅外與激光工程，2012，41(5):1389－1395．

［3］ David A R，Jongwoo L，Ruei－Sung L，et al．Incremental learning for robust visual tracking［J］．International Journal of Computer Vision，2008，77(1－3):125－141．

［4］ Boris B，YANG M H，Serge B．Visual tracking with online multiple instance learning［C］．CVPR，2009．

［5］ Xue M，Ling H B．Robust visual tracking using L1 minimization［C］．Proc of IEEE International Conference on Computer Vision，2009:1436－1443．

［6］ John W，Julien M，Guillermo S，et．a(chǎn)l．Sparse representation for computer vision and pattern Recognition［C］．Proceedings of the IEEE，2010，98(6):1031－1044．

［7］ Zhong W，Lu H C，Yang M H．Robust Object tracking via sparsity－based collaborative Model［C］．International Conference on Computer Vision and Pattern Recognition，2012:1838－1845．

［8］ Liu J，Chen J H，Ye J P．Large－scale sparse logistic regression［C］．The Fifteenth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining，2009．