基于光流和壓縮感知的目標跟蹤

摘要：由于姿態變化，光照改變，遮擋以及運動模糊等因素，開發有效和實時的目標跟蹤算法是一個有挑戰性的任務。因此，在復雜的實際環境中使用單一的檢測與跟蹤算法已無法滿足目標跟蹤的實用性要求。本文基于光流法和壓縮跟蹤算法，提出一種融合跟蹤、在線學習以及檢測技術的目標跟蹤方法。實驗結果表明，該方法提高了跟蹤精度，而且具有較強的魯棒性。

關鍵詞：光流法；壓縮感知；目標跟蹤

1 引言

目標跟蹤是計算機視覺領域中最活躍的研究主題之一，在民用和軍事上都具有廣泛的應用，如交通流量的監測、智能安全監控、人機交互、軍事制導、視覺導航等。目前，運動目標的檢測與跟蹤已經取得了很多成果，并且不斷有新技術、新算法涌現。但在實際環境中，由于自然環境的復雜，目標的高機動性，造成跟蹤不準確且效率不高。因此，研究改進目標跟蹤算法有很現實的意義和應用價值。

粒子濾波器能夠以統一的理論框架處理非線性非高斯問題，因而成為目標跟蹤領域一種強有力的跟蹤算法.然而由于粒子濾波器的蒙特卡洛性質，它一般要求大量的粒子才能準確地表達目標的概率分布，因此算法的計算代價很大[1]。在一些特定情況下，目標的某種特征比較顯著，基于該特征即可實現可靠的目標跟蹤。但在復雜環境中，目標特征和背景特征都在不斷地變化。因此，Babenko， B.等人提出一種在線多實例學習的方法[2]，對目標的自身變化和場景變化有較強適應性和魯棒性。在此基礎上，Kaihua Zhang等人將壓縮感知理論應用到目標跟蹤中，并稱其為壓縮跟蹤[3]。該算法表現出突出的實時性，但是由于沒有充分利用目標的運動信息，當光照變化劇烈或目標快速運動時，容易跟偏，甚至跟丟目標。ZdenekKalal提出TLD算法[4]巧妙地把跟蹤器、檢測器和學習過程結合在一起，共同實現目標的跟蹤，從而解決被跟蹤目標在被跟蹤過程中發生的形變、遮擋等問題。但是由于TLD的三個組成部分都涉及到大量復雜的計算，所以實時性較差。

本文基于光流法[5]和壓縮跟蹤算法，提出一種融合跟蹤、在線學習以及檢測技術的目標跟蹤方法。首先利用光流法預估運動目標的位置，再通過壓縮感知算法對目標進行學習以及檢測驗證，在滿足實時性的同時，使得跟蹤效果更加魯棒、可靠。

2算法分析

2.1光流法

4 實驗測試與驗證

從圖2可以看出，壓縮跟蹤對目標的紋理變化和遮擋具有較高的魯棒性。首先是因為其采用的是圖像的顏色和紋理特征來表征目標，而且由于壓縮感知理論的特性，降維后的特征仍可以較好的保留原圖像特征的信息，所以對于顏色和紋理特征相對突出的目標可以達到較好的跟蹤效果。由于在跟蹤過程中，不僅對目標本身進行不斷學習，而且也將目標周圍一定領域內的背景也作為正樣本學習，所以當目標被短暫遮擋時仍然能夠正確跟蹤，不過此時的分類器匹配得分數較低。然而，壓縮跟蹤只是一種基于檢測的跟蹤算法，它沒有充分利用目標的運動信息。

5 結論

對于復雜背景下，單一的跟蹤或檢測算法往往很難得到魯棒的跟蹤結果，本文提出了一種融合跟蹤、學習以及檢測技術的目標跟蹤算法。針對壓縮感知跟蹤算法的不足，引入光流法充分利用目標的運動信息來跟蹤目標。采用光流法對特征點進行前后向跟蹤，引入特征點淘汰機制，實現更加可靠的跟蹤。采用最新提出的壓縮感知技術對目標特征進行降維，克服了傳統方法對特征降維后，不能完整保持原有特征的缺陷。提出將光流跟蹤與壓縮感知跟蹤相結合的目標跟蹤框架，改進了原有方法無法適應目標快速運動變化的不足。實驗結果表明，本文的方法是對壓縮感知跟蹤的改進。

參考文獻

[1]Li P， Zhang T， Pece A E. Visual contour tracking based on particle filters. Image and Vision Computing， 2003，21（1）：111-123.

[2] Babenko， B.， Yang， M.-H.， Belongie， S.： Robust object tracking with online multiple instance learning. PAMI 33， 1619–1632 （2011）.

[3] Kaihua Zhang， Lei Zhang， and Ming-Hsuan Yang.Real-Time Compressive Tracking ECCV 2012， Part III ， pp. 866–879， 2012.

[4]Zdenek Kalal， Krystian Mikolajczyk， Jiri Matas.Tracking-Learning-Detection.PAMI 2012.

[5]J.Y. Bouguet， “Pyramidal implementation of the lucas kanade feature tracker ： description of the algorithm”，OpenCV Document， Intel， Microprocessor Research Labs， 2000.

[6] Jianbo Shi and Carlo Tomasi， “Good features to track”， Proc. IEEE Comput. Soc. Conf. Comput. Vision and Pattern Recogn.， pages 593-600， 1994.