CN106530329A - 一种基于分数阶微分和多特征联合的稀疏表示跟踪方法 - Google Patents

Abstract

一种基于分数阶微分和多特征联合的稀疏表示跟踪方法，该方法在粒子滤波的框架下，首先，对目标图像区域进行分块处理，将其按照目标区域的特点，分成9个相关切不等的子块，提取每个子块的灰度特征和HOG特征，联合这两种特征对目标子块进行稀疏表示，并对目标周围的8个相邻区域也进行同样的特征提取和稀疏表示；然后，采用核化加速近邻梯度算法联合求解9个候选粒子的稀疏系数；最后，将不同位置的目标块看成不同类别，利用字典中与候选粒子块具有相同类别的块及表示系数对块进行重构，依据重构误差构建似然函数以确定最佳候选粒子，实现对主体目标及8个辅助的精确跟踪。

Description

一种基于分数阶微分和多特征联合的稀疏表示跟踪方法

技术领域

本发明人涉及图像识别和目标跟踪的技术领域，特别是一种基于分数阶微分和多特征联合的稀疏表示跟踪方法。

背景技术

目前，在图像识别和目标跟踪的技术领域中描述目标的特征选择上比较单一，不同特征在描述目标的能力上有所差别，不同特征之间的共享和互补可以改善单个特征的性能；并且局部重叠分块的构建字典方式重复计算了很多的背景信息，而背景信息计算次数越多，跟踪过程中产生漂移的可能性越大，从而影响了跟踪的实时性和鲁棒性；在实际跟踪目标时，只是选取目标主体作为跟踪的主要目标，忽略了同样移动的目标主体周边信息对跟踪准确度的影响。

发明内容

本发明的目的是提供一种识别跟踪准确的基于分数阶微分和多特征联合的稀疏表示跟踪方法。

为了实现上述目的，本发明所采取的技术手段是：

一种基于分数阶微分和多特征联合的稀疏表示跟踪方法，包括以下步骤：

步骤一，模板初始化，对模板进行分块，根据像素大小将模板区域的分为大小不等的9份子块或大小相同的5份子块，提取灰度和HOG特征；

步骤二，对目标区域进行分块，根据像素大小将目标图像区域的分为大小不等的9份子块或大小相同的5份子块，提取灰度和HOG特征并建立模板字典得到候选样本；

步骤三，联合稀疏表示，将候选样本即抽样粒子采用与模板字典相同的特征，且其每块用字典中所有块进行稀疏表示；

步骤四，基于分数阶微分的目标状态估计，求解各抽样粒子每块的重构误差，根据重构误差最小原则得到当前主体目标及相关辅助目标的跟踪结果，然后，根据目标与辅助目标的相关性，重新构造目标区域；

步骤五，模板更新，联合增量子空间学习自适应更新字典模板，如果已到最后一帧，则跟踪结束，否则重复步骤二至步骤五。

所述的步骤一中，根据像素大小将目标图像区域的分为大小不等的9份子块，分别为子块1至子块9，即目标块大小为30×30像素，其中子块1和子块2为10×20像素，子块3和子块4为20×10像素，子块5为10×10像素，子块6、子块7、子块8和子块9为20×20像素，共产生9个图像子块，其中，重叠子块中包含更多的是跟踪目标的信息，步骤二与步骤一的划分方法相同。

所述的步骤一中，根据像素大小将目标图像区域的分为大小相同的5份子块，分别为子块1至子块5，即目标块大小为30×30像素，将目标图像区域分为大小相等的5块，即子块大小为15×15像素，步长为15像素，子块1、子块2、子块3和子块4均分目标块，每块大小为15×15像素，再加上正中心区域大小15×15像素大小的子块，共产生5个图像子块，其中，中间重叠子块中包含更多的是跟踪目标的信息，步骤二与步骤一的划分方法相同。

所述的步骤二中，假设采用K个不同的特征，对于每个特征索引k＝1,2,...,K，模板字典表示为其中J表示类别数(单个目标模板所分成的局部块的数量)，表示第j类局部块的第k个特征，d_k是第k个特征的维数，由于根据局部块的位置划分类别而且相同位置的局部块属于同一类，故本算法中各个类的局部块数目都是相同的，每一类局部块的数目等于模板字典的个数n，即

所述的步骤三中，用表示第j类m个候选样本的第k个特征量，则可应用模板字典块将其线性的表示为

式中，是第j类m个候选样本在特征k下的表示系数，是残差项，为联合所有K个特征对应于第j类模板的表示系数，因此，多特征联合稀疏表示可表示为

式中，[w_j ^T]_i是w_j转置后的第i行，

在局部块中，不同特征描述的维数不同，为了使特征之间的维数统一，需要先对字典模板X^k和候选样本进行核化处理，经核化处理后，对候选样本的每个特征有X^k∈R^p×p，不同特征经过核化后的维数只是与局部块的数量有关，对于所有特征，利用一个非线性函数φ^k将构建的字典模板和候选样本从原始特征空间映射到另一个高维空间中，对于给定的核函数g^k，有φ^k(x_i)^Tφ^k(x_j)＝g^k(x_i,x_j)，在高维空间中，将式(2)写为

设G^k＝φ^k(X^k)^Tφ^k(X^k)是对应第k个特征的字典模板核矩阵，是对应第k个特征的第j个候选样本的核向量，利用核矩阵将G^k和作为提取的新特征，则式(3)可写为

利用核化加速近邻梯度法求解稀疏问题式(4)得到相应的稀疏系数。

所述的步骤四中，若信号f(x)的持续期为x∈[a,x]，将信号持续期[a,x]按照等间隔单位h＝1进行N等分，并取a＝0，记δ＝x/N，则其Riemann-Liouville分数阶微分有：

对于式(5)中的微元区间[kδ,kδ+δ]，记f_k＝f(x-kδ)，存在

由于在离散化的数字图像中，像素间的最小间隔为1，δ＝1，故

因此，Riemann-Liouville分数阶微分可以近似的看成是信号f(x)和它的系数函数A的卷积，由式(5)可以分别计算出对应系数函数A的各个值为：

图像中对应系数a₀的模块目标的中心识别块，由于该块对原目标的主要跟踪区域，将其修正为b₀＝8a₀，系数a₁对目标区域的跟踪影响略小，将其修正为得到分数阶微分重构模板。

所述的步骤五中，联合增量子空间学习自适应更新字典模板的过程是用当前准确度高的跟踪结果去替代字典中已经过时的目标模板，通过联合稀疏表示和子空间学习来实现对字典模板的更新，先搜集当前的字典模板和最近几帧目标的跟踪结果，然后执行增量学习方法；一般来说，早期的跟踪结果相对精确一些，因此它们应该在字典模板中存储更长的时间，平衡新旧目标模板的一种有效方式就是给它们分配不同的更新概率，使得新模板更新快，旧模板更新慢，从而减少模板漂移问题，按照这样的原则首先产生一个累积概率序列如下：

其中，n表示字典中模板的个数，可以看出该累积序列的特点是前面密集后面稀疏，接着在0到1之间产生一个随机数，根据随机数的大小在上述累积序列中所处的位置来确定需要更新的模板，确定的依据为由大至小。

所述的核化处理过程为：当处理第k个特征时，相应的字典模板为(核化前)，其中J表示类别数(单个目标模板所分成的局部块的数量)，表示第j类局部块的第k个特征，d_k是第k个特征的维数，p是字典中总的块数，然后，通过线性核、多项式核、高斯核或小波核函数，计算字典模板中任意两个向量的内积，经过核函数处理后，不同特征经过核化后的维数只是与局部块的数量有关。

本发明的有益效果是：

1、采用新的目标局部分块方式；2、提取多种特征(灰度特征和HOG特征等)联合描述目标；3、利用分数阶微分模板，联合主体跟踪块和辅助块的信息重新构造跟踪目标状态，结合稀疏表示实现字典模板的自适应更新。

该方法能够克服单一特征描述目标能力较差的情况，充分发挥不同特征描述目标能力的优点，提高了跟踪精度，同时降低了跟踪过程中漂移产生的可能性，提高了跟踪鲁棒性。

附图说明

图1是本发明的流程图。

图2是本发明中目标图像区域分块示意图。

图3是本发明具体实施例中得到的分数阶微分重构模板。

图4为本发明中核化处理的流程示意图。

图5是本发明另一个实施例的目标图像区域分块示意图。

具体实施方式

本发明为一种基于分数阶微分和多特征联合的稀疏表示跟踪方法，该方法在粒子滤波的框架下，首先，对目标图像区域进行分块处理，将其按照目标区域的特点，分成9个相关切不等的子块，提取每个子块的灰度特征和HOG特征，联合这两种特征对目标子块进行稀疏表示，并对目标周围的8个相邻区域也进行同样的特征提取和稀疏表示；然后，采用核化加速近邻梯度算法联合求解9个候选粒子的稀疏系数；最后，将不同位置的目标块看成不同类别，利用字典中与候选粒子块具有相同类别的块及表示系数对块进行重构，依据重构误差构建似然函数以确定最佳候选粒子，实现对主体目标及8个辅助的精确跟踪。

下面结合附图和具体实施例对本发明做进一步说明。

具体实施例1，如图1所示，一种基于分数阶微分和多特征联合的稀疏表示跟踪方法，具体步骤如下：

步骤一，模板图像区域局部分块

为了加准确的跟踪目标，将模板图像的区域分为9份，分别为子块1至子块9，即目标块大小为30×30像素，其中子块1和子块2为10×20像素，子块3和子块4为20×10像素，子块5为10×10像素，子块6、子块7、子块8和子块9为20×20像素，共产生9个图像子块，提取灰度和HOG特征，如图2所示。重叠子块中包含更多的是跟踪目标的信息，这部分信息多次计算会增强跟踪的鲁棒性。

步骤二，目标局部块的特征描述

根据图像区域分块的方法，将不同位置的块看成不同的类别，则每一个目标图像所包含的块数就相当于类别个数。假设采用K个不同的特征，对于每个特征索引k＝1,2,...,K，模板字典表示为其中J表示类别数(单个目标模板所分成的局部块的数量)，表示第j类局部块的第k个特征，d_k是第k个特征的维数。由于根据局部块的位置划分类别而且相同位置的局部块属于同一类，故本算法中各个类的局部块数目都是相同的，每一类局部块的数目等于字典模板的个数n，即

步骤三，联合稀疏表示

候选样本(抽样粒子)采用与字典模板相同的特征，且其每块用字典中所有块进行稀疏表示。用表示第j类m个候选样本的第k个特征量，则可应用字典模板块将其线性的表示为

式中，是第j类m个候选样本在特征k下的表示系数，是残差项，为联合所有K个特征对应于第j类模板的表示系数。因此，多特征联合稀疏表示可表示为

式中， 是w_j转置后的第i行。

在局部块中，不同特征描述的维数不同，为了使特征之间的维数统一，需要先对字典模板X^k和候选样本进行核化处理，具体过程如图4所示，所述的核化处理过程为：当处理第k个特征时，相应的字典模板为(核化前)，其中J表示类别数(单个目标模板所分成的局部块的数量)，表示第j类局部块的第k个特征，d_k是第k个特征的维数，p是字典中总的块数。然后，通过线性核、多项式核、高斯核或小波核函数，计算字典模板中任意两个向量的内积，经过核函数处理后，不同特征经过核化后的维数只是与局部块的数量有关。

经核化处理后，对候选样本的每个特征有X^k∈R^p×p，不同特征经过核化后的维数只是与局部块的数量有关。因此，全部特征在维数上达到了统一，特征之间可方便快速的进行融合。

对于所有特征，利用一个非线性函数φ^k将构建的字典模板和候选样本从原始特征空间映射到另一个高维空间中，对于给定的核函数g^k，有φ^k(x_i)^Tφ^k(x_j)＝g^k(x_i,x_j)，在高维空间中，将式(2)写为

设G^k＝φ^k(X^k)^Tφ^k(X^k)是对应第k个特征的字典模板核矩阵，是对应第k个特征的第j个候选样本的核向量。利用核矩阵将G^k和作为提取的新特征，则式(3)可写为

利用核化加速近邻梯度法求解稀疏问题式(4)得到相应的稀疏系数。

步骤四，基于分数阶微分的目标状态估计

求解各抽样粒子每块的重构误差，根据重构误差最小原则得到当前主体目标及相关辅助目标的跟踪结果。然后，根据目标与辅助目标的相关性，重新构造目标区域。

若信号f(x)的持续期为x∈[a,x]，将信号持续期[a,x]按照等间隔单位h＝1进行N等分，并取a＝0，记δ＝x/N，则其Riemann-Liouville分数阶微分有：

对于式(5)中的微元区间[kδ,kδ+δ]，记f_k＝f(x-kδ)，存在

由于在离散化的数字图像中，像素间的最小间隔为1，δ＝1，故

因此，Riemann-Liouville分数阶微分可以近似的看成是信号f(x)和它的系数函数A的卷积，由式(5)可以分别计算出对应系数函数A的各个值为：

图像中对应系数a₀的模块目标的中心识别块，由于该块对原目标的主要跟踪区域，将其修正为b₀＝8a₀，系数a₁对目标区域的跟踪影响略小，将其修正为得到分数阶微分重构模板如图3所示，其中，

计算相关辅助目标的质心，根据主体目标和8个质心点求估计目标的质心，并依照分数阶微分重构模板构造估计目标。

步骤五，模板更新

联合增量子空间学习自适应更新字典模板，如果已到最后一帧，则跟踪结束，否则重复步骤二至步骤五。

对图像跟踪效果的定量评价，利用成功率均值实现跟踪方法性能的评价。设目标的真实矩形区域与目标的跟踪结果矩形区域分别是r_a和r_t，则重叠得分定义为：score＝area(r_t I r_a)/area(r_t U r_a)，其中I和U分别表示区域的交集和并集。若跟踪方法在某一帧图像上的重叠得分score大于设定的重叠阈值t₀时，则判定为该跟踪方法在这一帧图像上是跟踪成功的。按照这样的方法，可以将跟踪方法在一个图像序列上的跟踪成功率定义为成功跟踪的图像帧数与序列图像总帧数的比值。给定一系列重叠阈值即可得到跟踪成功率均值。

为验证本文方法的有效性和先进性，利用Benchmark对公开的6个标准图像序列进行了跟踪实验，比较了5种跟踪方法，其中MIL，TLD是判别式跟踪方法，IVT，MTT，ASLA是生成式跟踪方法，MFLS是本发明所采取的方法。其中，粒子数m＝600，正则化参数λ＝0.01，字典模板每5帧更新一次。表1给出了本文算法与5个不同跟踪算法在6个图像序列上的跟踪成功率均值。

表1跟踪成功率均值

表1的实验结果表明，本文提出的基于分数阶微分和多特征联合的稀疏表示跟踪方法可以准确跟踪运动目标，而且较其他几种跟踪方法成功率均值更高，优于其他5个跟踪方法。

具体实施例2，作为本发明的另一种实施方式，在步骤一中，目标块大小为30×30像素，将目标图像区域分为大小相等的5块，即子块大小为15×15像素，步长为15像素，子块1、子块2、子块3和子块4均分目标块，每块大小为15×15像素，再加上正中心区域大小15×15像素大小的子块，共产生5个图像子块，如图5所示，步骤二与步骤一的划分方法相同。中间重叠子块中包含更多的是跟踪目标的信息，这部分信息多次计算会增强跟踪的鲁棒性。

Claims (8)

1.一种基于分数阶微分和多特征联合的稀疏表示跟踪方法，其特征在于包括以下步骤：

步骤一，模板初始化，对模板进行分块，根据像素大小将模板区域的分为大小不等的9份子块或大小相同的5份子块，提取灰度和HOG特征；

步骤二，对目标区域进行分块，根据像素大小将目标图像区域的分为大小不等的9份子块或大小相同的5份子块，提取灰度和HOG特征并建立模板字典得到候选样本；

步骤三，联合稀疏表示，将候选样本即抽样粒子采用与模板字典相同的特征，且其每块用字典中所有块进行稀疏表示；

步骤四，基于分数阶微分的目标状态估计，求解各抽样粒子每块的重构误差，根据重构误差最小原则得到当前主体目标及相关辅助目标的跟踪结果，然后，根据目标与辅助目标的相关性，重新构造目标区域；

步骤五，模板更新，联合增量子空间学习自适应更新字典模板，如果已到最后一帧，则跟踪结束，否则重复步骤二至步骤五。

2.根据权利要求1所述的一种基于分数阶微分和多特征联合的稀疏表示跟踪方法，其特征在于：所述的步骤一中，根据像素大小将目标图像区域的分为大小不等的9份子块，分别为子块1至子块9，即目标块大小为30×30像素，其中子块1和子块2为10×20像素，子块3和子块4为20×10像素，子块5为10×10像素，子块6、子块7、子块8和子块9为20×20像素，共产生9个图像子块，其中，重叠子块中包含更多的是跟踪目标的信息，步骤二与步骤一的划分方法相同。

3.根据权利要求1所述的一种基于分数阶微分和多特征联合的稀疏表示跟踪方法，其特征在于：所述的步骤一中，根据像素大小将目标图像区域的分为大小相同的5份子块，分别为子块1至子块5，即目标块大小为30×30像素，将目标图像区域分为大小相等的5块，即子块大小为15×15像素，步长为15像素，子块1、子块2、子块3和子块4均分目标块，每块大小为15×15像素，再加上正中心区域大小15×15像素大小的子块，共产生5个图像子块，其中，中间重叠子块中包含更多的是跟踪目标的信息，步骤二与步骤一的划分方法相同。

4.根据权利要求1所述的一种基于分数阶微分和多特征联合的稀疏表示跟踪方法，其特征在于：所述的步骤二中，假设采用K个不同的特征，对于每个特征索引k＝1,2,...,K，模板字典表示为其中J表示类别数(单个目标模板所分成的局部块的数量)，表示第j类局部块的第k个特征，d_k是第k个特征的维数，由于根据局部块的位置划分类别而且相同位置的局部块属于同一类，故本算法中各个类的局部块数目都是相同的，每一类局部块的数目等于模板字典的个数n，即

5.根据权利要求1所述的一种基于分数阶微分和多特征联合的稀疏表示跟踪方法，其特征在于：所述的步骤三中，用表示第j类m个候选样本的第k个特征量，则可应用模板字典块将其线性的表示为

$Y_j^k=X^k{w}_j^k+{\mathrm{\ϵ}}_j^k,k=1,2,...,K.---\left(1\right)$

式中，是第j类m个候选样本在特征k下的表示系数，是残差项，为联合所有K个特征对应于第j类模板的表示系数，因此，多特征联合稀疏表示可表示为

$\underset{w_j}{min}\frac{1}{2}\underset{k=1}{\overset{K}{\Σ}}\left|\right|(Y_j^k-X^k{w}_j^k)|{|}_2^2+\mathrm{\λ}|\left|{w_j}^T\right|{|}_{2,1}---\left(2\right)$

式中，[w_j ^T]_i是w_j转置后的第i行，

在局部块中，不同特征描述的维数不同，为了使特征之间的维数统一，需要先对字典模板X^k和候选样本进行核化处理，经核化处理后，对候选样本的每个特征有X^k∈R^p×p，不同特征经过核化后的维数只是与局部块的数量有关，对于所有特征，利用一个非线性函数φ^k将构建的字典模板和候选样本从原始特征空间映射到另一个高维空间中，对于给定的核函数g^k，有φ^k(x_i)^Tφ^k(x_j)＝g^k(x_i,x_j)，在高维空间中，将式(2)写为

$\underset{w_j}{\min }\frac{1}{2}\underset{k=1}{\overset{K}{\Σ}}\left|\right|\left({\mathrm{\φ}}^k\right(Y_j^k)-{\mathrm{\φ}}^k(X^k\left)w_j^k\right)|{|}_2^2+\mathrm{\λ}|\left|{w_j}^T\right|{|}_{2,1}---\left(3\right)$

设G^k＝φ^k(X^k)^Tφ^k(X^k)是对应第k个特征的字典模板核矩阵，是对应第k个特征的第j个候选样本的核向量，利用核矩阵将G^k和作为提取的新特征，则式(3)可写为

$\underset{w_j}{min}\frac{1}{2}\underset{k=1}{\overset{K}{\Σ}}\left|\right|(H_j^k-G^k{w}_j^k)|{|}_2^2+\mathrm{\λ}|\left|{w_j}^T\right|{|}_{2,1}---\left(4\right)$

利用核化加速近邻梯度法求解稀疏问题式(4)得到相应的稀疏系数。

6.根据权利要求1所述的一种基于分数阶微分和多特征联合的稀疏表示跟踪方法，其特征在于：所述的步骤四中，若信号f(x)的持续期为x∈[a,x]，将信号持续期[a,x]按照等间隔单位h＝1进行N等分，并取a＝0，记δ＝x/N，则其Riemann-Liouville分数阶微分有：

$\begin{array}{c}D_x^v{}_{a}f\left(x\right)=\frac{1}{\mathrm{\Γ}(1-v)}\frac{d}{dx}{\∫}_0^x{(x-\mathrm{\τ})}^{-v}\left(f\right(\mathrm{\τ})-f(0\left)\right)d\mathrm{\τ}\\ =\frac{1}{\mathrm{\Γ}(1-v)}\frac{d}{dx}{\∫}_0^x{\mathrm{\τ}}^{-v}\left(f\right(x-\mathrm{\τ})-f(0\left)\right)d\mathrm{\τ}\end{array}$

$\begin{array}{c}=\frac{1}{\mathrm{\Γ}(2-v)}{\∫}_0^x\frac{f^{\′}(x-\mathrm{\τ})}{{\mathrm{\τ}}^{v-1}}d\mathrm{\τ}-\frac{1}{\mathrm{\Γ}(2-v)}\×\frac{f\left(0\right)}{x^{v-1}}\\ =\frac{1}{\mathrm{\Γ}(2-v)}\underset{k=0}{\overset{N-1}{\Σ}}{\∫}_{k\mathrm{\δ}}^{k\mathrm{\δ}+\mathrm{\δ}}\frac{df(x-\mathrm{\τ})}{d\mathrm{\τ}}\×\frac{1}{{\mathrm{\τ}}^{v-1}}d\mathrm{\τ}-\frac{1}{\mathrm{\Γ}(2-v)}\×\frac{f\left(0\right)}{N^{v-1}{\mathrm{\δ}}^{v-1}}\end{array}---\left(5\right)$

对于式(5)中的微元区间[kδ,kδ+δ]，记f_k＝f(x-kδ)，存在

$\frac{df(x-\mathrm{\τ})}{d\mathrm{\τ}}\≅\frac{f(x-k\mathrm{\δ})-f(x-k\mathrm{\δ}-\mathrm{\δ})}{\mathrm{\δ}}=\frac{f_k-f_{k+1}}{\mathrm{\δ}}$

由于在离散化的数字图像中，像素间的最小间隔为1，δ＝1，故

$D_x^v{}_{a}f\left(x\right)\≈\frac{1}{\mathrm{\Γ}(3-v)}\underset{k=0}{\overset{N-1}{\Σ}}(f_k-f_{k+1})\[{(k+1)}^{2-v}-k^{2-v}\]-\frac{1}{\mathrm{\Γ}(3-v)}\×\frac{(2-v)f_N}{N^{v-1}}$

因此，Riemann-Liouville分数阶微分可以近似的看成是信号f(x)和它的系数函数A的卷积，由式(5)可以分别计算出对应系数函数A的各个值为：

$\left\{\begin{array}{c}{a}_0=\frac{1}{\mathrm{\Γ}(3-v)}\\ a_1=\frac{2^{2-v}-2}{\mathrm{\Γ}(3-v)}\\ a_2=\frac{3^{2-v}-2\×2^{2-v}+1}{\mathrm{\Γ}(3-v)}\\ M\\ a_k=\frac{{(k+1)}^{2-v}-2\×k^{2-v}+{(k-1)}^{2-v}}{\mathrm{\Γ}(3-v)}\\ M\\ a_n=\frac{{(n-1)}^{2-v}-n^{2-v}-(2-v)n^{1-v}}{\mathrm{\Γ}(3-v)}\end{array}\right.---\left(6\right)$

图像中对应系数a₀的模块目标的中心识别块，由于该块对原目标的主要跟踪区域，将其修正为b₀＝8a₀，系数a₁对目标区域的跟踪影响略小，将其修正为得到分数阶微分重构模板。

7.根据权利要求1所述的一种基于分数阶微分和多特征联合的稀疏表示跟踪方法，其特征在于：所述的步骤五中，联合增量子空间学习自适应更新字典模板的过程是用当前准确度高的跟踪结果去替代字典中已经过时的目标模板，通过联合稀疏表示和子空间学习来实现对字典模板的更新，先搜集当前的字典模板和最近几帧目标的跟踪结果，然后执行增量学习方法；一般来说，早期的跟踪结果相对精确一些，因此它们应该在字典模板中存储更长的时间，平衡新旧目标模板的一种有效方式就是给它们分配不同的更新概率，使得新模板更新快，旧模板更新慢，从而减少模板漂移问题，按照这样的原则首先产生一个累积概率序列如下：

$L_p=\{0,\frac{1}{2^{n-1}-1},\frac{3}{2^{n-1}-1},...,\frac{2^{i-1}-1}{2^{n-1}-1},...,1\},i=1,2,...,n$

其中，n表示字典中模板的个数，可以看出该累积序列的特点是前面密集后面稀疏，接着在0到1之间产生一个随机数，根据随机数的大小在上述累积序列中所处的位置来确定需要更新的模板，确定的依据为由大至小排列。

8.根据权利要求5所述的一种基于分数阶微分和多特征联合的稀疏表示跟踪方法，其特征在于：所述的核化处理过程为：当处理第k个特征时，相应的字典模板为(核化前)，其中J表示类别数(单个目标模板所分成的局部块的数量)，表示第j类局部块的第k个特征，d_k是第k个特征的维数，p是字典中总的块数，然后，通过线性核、多项式核、高斯核或小波核函数，计算字典模板中任意两个向量的内积，经过核函数处理后，不同特征经过核化后的维数只是与局部块的数量有关。