[论文解读] Enforcing Template Representability and Temporal Consistency for Adaptive Sparse Tracking

Xue Yang, Fei Han+2 more|ArXiv.org|Apr 30, 2016

Video Surveillance and Tracking Methods参考文献 27被引用 3

一句话总结

该论文提出TRAC，一种新颖的稀疏跟踪算法，通过强制模板可表示性与时间一致性，提升视觉跟踪在外观变化下的鲁棒性。通过使用结构化稀疏性诱导范数进行时间正则化，并结合基于长期与短期可表示性的自适应模板更新策略，TRAC显著减少了漂移现象，并在12个基准序列上超越了最先进跟踪算法。

ABSTRACT

Sparse representation has been widely studied in visual tracking, which has shown promising tracking performance. Despite a lot of progress, the visual tracking problem is still a challenging task due to appearance variations over time. In this paper, we propose a novel sparse tracking algorithm that well addresses temporal appearance changes, by enforcing template representability and temporal consistency (TRAC). By modeling temporal consistency, our algorithm addresses the issue of drifting away from a tracking target. By exploring the templates' long-term-short-term representability, the proposed method adaptively updates the dictionary using the most descriptive templates, which significantly improves the robustness to target appearance changes. We compare our TRAC algorithm against the state-of-the-art approaches on 12 challenging benchmark image sequences. Both qualitative and quantitative results demonstrate that our algorithm significantly outperforms previous state-of-the-art trackers.

研究动机与目标

• 解决视觉跟踪中因时间外观变化导致的跟踪器漂移这一长期存在的问题。
• 提升对姿态变化、遮挡、光照变化及背景杂波等外观变化的鲁棒性。
• 克服传统稀疏跟踪器仅依赖重要性权重进行模板更新的局限性，此类方法可能导致冗余或非判别性模板。
• 开发一种基于短期与长期时间上下文下模板可表示性的自适应选择与更新机制。
• 确保在求解稀疏跟踪优化问题时具备理论收敛性与计算效率。

提出的方法

• 引入一种结构化稀疏性诱导范数作为时间正则化项，以在连续帧之间强制目标外观的一致性。
• 在粒子滤波框架内构建跟踪问题，其中每个粒子通过目标模板的稀疏线性组合表示。
• 提出一种自适应模板更新机制，评估候选模板的长期与短期可表示性，仅选择最具描述性的模板。
• 采用混合 $β_{2,1}$-范数正则化，以促进粒子间的联合稀疏性，增强字典的判别能力。
• 设计一种具有理论收敛性保证的新优化算法，以高效求解非凸、结构化稀疏优化问题。
• 将时间一致性与自适应可表示性约束整合到统一的目标函数中，实现鲁棒跟踪。

实验结果

研究问题

• RQ1 如何有效建模目标外观的时间一致性，以减少视觉跟踪中的漂移？
• RQ2 融合长期与短期可表示性在多大程度上能改善模板选择与跟踪鲁棒性？
• RQ3 基于可表示性的自适应模板更新策略是否能超越传统基于重要性权重的更新方案？
• RQ4 与标准 $β_1$-范数或 $β_{2,1}$-范数正则化相比，所提出的结构化稀疏性正则化在处理外观变化方面表现如何？
• RQ5 所提出的优化框架在实际中是否能可靠且高效地收敛，尤其是在复杂视觉条件下？

主要发现

• TRAC在12个基准序列上显著优于10种最先进跟踪算法，在精度与成功率指标上均取得最佳表现。
• 在姿态变化序列（david2, dudek, trellis）中，TRAC全程保持准确跟踪，而OAB、L1APG与CT等方法因漂移或遮挡而失效。
• 在光照变化与背景杂波序列中，TRAC展现出卓越鲁棒性，漂移极小，边界框重叠保持稳定。
• 成功率曲线显示，TRAC在所有重叠阈值下均达到最高平均重叠得分，尤其在较高重叠阈值下表现突出。
• 精度指标表明，TRAC在超过90%的帧中，其预测中心位置与真实中心距离在20像素以内，优于所有对比方法。
• 消融实验确认，时间一致性与自适应模板可表示性均对性能有显著贡献，各组件均提升了跟踪精度与稳定性。