基于Kalman預測器的CT多特征加權目標跟蹤算法

摘 要： 針對CT的目標跟蹤算法，在外界環境光照改變、目標姿態變化及目標發生遮擋時出現跟蹤飄移或丟失目標等問題，提出一種基于Kalman預測器的CT多特征加權目標跟蹤算法。首先根據跟蹤目標特征的稀疏特性，利用隨機采樣在線更新獲取特征的離散樣本，引入Online?boosting的多特征加權權值，優化置信圖估計，并利用Kalman預測器預測修正跟蹤目標區域位置。對三組不同場景圖像序列測試結果表明提出的算法能夠快速準確地實現復雜環境下的運動目標跟蹤任務，有效地增強了目標特征對紋理改變、光照變化和目標遮擋的穩健性，且繼承了傳統算法的實時性。

關鍵詞： 目標跟蹤； 壓縮跟蹤； Online?boosting； 卡爾曼預測器

中圖分類號： TN820.4?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2016）12?0091?05

Abstract： Since the target tracking algorithm for compression tracking （CT） has the problems of tracking drifting or target losing when the illumination of external environment changes， target attitude changes and target is covered， a Kalman predictor based target tracking algorithm importing CT multi?feature weighting is proposed. According to the sparse property of the tracked target characteristic， the online update of random sampling is used to acquire the discrete sample of the characteristic， and the weight of Online?boosting multi?feature weighting is imported to optimize the confidence map estimation. After that the Kalman predictor is used to predict and correct the position of the target area. The image sequences of three different scenes were tested. The test results show that the proposed algorithm can quickly and accurately realize the moving target tracking in complex environment， effectively improve the robustness of target characteristics in the aspects of texture variation， illumination variation and target occlusion， and keeps the real?time performance of the traditional tracking algorithm.

Keywords： target tracking； compression tracking； Online?boosting； Kalman predictor

0 引 言

目標檢測與跟蹤是計算機視覺領域中核心研究內容之一，也是認知科學、機器人學和人工智能共同關心的重要研究課題。目標跟蹤技術是獲得高級層面信息的基礎條件，也是目標識別與分類的重要組成部分。國內外科研人員先后提出了多種目標跟蹤方法，例如：基于目標特征、區域匹配、目標輪廓等目標跟蹤算法，但這些傳統的算法存在現實復雜場景下實用性較差，魯棒性能不高等問題，導致跟蹤偏移或跟蹤失敗。近年來，基于在線學習的目標跟蹤算法受到了廣泛關注，該算法把跟蹤問題看成一個特殊的二元分類問題[1?3]，其核心思想利用根據先驗知識設計的分類器將跟蹤目標從幀序列圖像背景提取出來，并根據提取特征實時在線更新和修正目標特征分類器。

2006年D.Donoho等人提出一種“壓縮感知”（Compressive Sensing）信號采樣理論[4]，該理論通過非線性稀疏結構重建恢復原始信息，引起了數學界和應用科學界的廣泛關注，之后壓縮感知思想在無線通信、生物傳感、機器視覺等領域得到廣泛應用。2010年Sternig S等人提出了一種新的在線學習方法（Transient Boost），使用高度自適應學習參數更新不可靠數據，以適應場景的快速變化并使錯誤更新快速彈出，可靠數據則完全被保存下來，不會被錯誤的更新所污染[5]。2011年Shi Q等人針對稀疏矩陣數據的不足，不能保證壓縮感知算法完美恢復原始信息的問題，提出了近似稀疏矩陣，提高了人臉識別的準確性和實時性。2012年ZHANG Kaihua等人提出一種實時壓縮跟蹤方法[6]，它首先利用符合限制等距性（Restricted Isometry Property）條件的隨機采樣矩陣對圖像特征進行降維，其次采用樸素貝葉斯分類器對降維后的特征進行分類，最后通過在線學習更新修正分類器參數。2014年張雷等人將跟蹤目標區域特征變換為相位一致性特征[7]，消除光照變化對目標跟蹤的影響。該算法在環境光照變化時表現出了良好的適應性和魯棒性。2015年潘磊利用符合有限等距性質要求的稀疏矩陣對高維特征進行采樣，提出了一種改進的快速壓縮跟蹤算法，獲得目標低維特征[8]。

傳統CT目標跟蹤算法實時性好，對外觀變化和背景變化均具有一定的魯棒性，但實際跟蹤過程中，當目標外觀變化較快時，其分類器的更新速度明顯延遲，容易引起跟蹤漂移。針對CT算法的缺陷，提出改進算法，根據灰度和紋理特征構造目標模型，基于Online?boosting的特征加權分類思想[9]，采用多特征加權方法消除因正負樣本直接相加造成誤差累積的影響，并利用Kalman預測器預測修正圖像中目標的位置，確定CT算法目標跟蹤的搜索區域，減少目標特征匹配時間，保持優化算法的實時性。實驗結果表明提出的算法不僅在復雜場景下能夠實時準確地完成運動目標跟蹤任務，驗證了算法能夠有效地增強了特征對紋理改變、目標遮擋和光照變化的穩健性。

1 CT算法介紹

CT算法是在Prony理論方法的基礎上，將稀疏約束與隨機矩陣有效的結合，找到一個稀疏信息重建性能最佳的方法。在欠Nyquist采樣率的條件下，利用跟蹤目標特征的稀疏特性，采用隨機采樣的方法獲取特征信息的離散正負樣本，然后通過非線性相關矩陣重建算法實現對高維信息特征的感知。基于CT的目標跟蹤算法從目標特征信息中稀疏抽樣得到低維壓縮特征，取代高維圖像特征中的冗余信息，并將有效低維特征整合進行目標跟蹤，較傳統算法具有處理數據少，分類器參數實時更新快等特點。

1.1 壓縮感知的特征提取

CT算法利用目標特征信息的稀疏特性，通過稀疏采樣方法獲得低維離散正負樣本，其壓縮提取特征的公式如下：

1.2 基于貝葉斯分類器的目標檢測

2 基于特征加權的目標檢測

國內外學者對CT目標跟蹤算法進行了深入的研究，發現其算法在光照變化，目標紋理變化易出現跟蹤偏移或丟失目標的現象，分析其主要原因，該算法強制將多種不同樣本特征直接相加，沒有考慮到不同樣本的特征對目標的分類效果的影響作用，產生較大的誤差累積，降低了分類器的分類效果。

候選區域目標正負樣本與跟蹤目標的匹配概率為：

CT目標跟蹤算法利用式（3）對候選區域壓縮采樣得到低維離散特征樣本匹配概率直接疊加，選取最大的[H（v）]作為跟蹤目標區域。但目標特征的多樣化決定了每種特征構造的分類器的分類效果的多樣化，又因在不同幀序列圖像，相同特征的分類效果也可能受到外界的干擾，產生不可預測的波動，直接將分類結果簡單累加，致使造成分類器分類過程中產生較大的誤差累積，更新分類器過程中加入非目標信息特征，造成跟蹤偏移和跟蹤失敗。基于臨近幀的候選目標特征相似性特點，本文采用Online?boosting的特征加權分類思想，如圖2所示，引入了多樣本特征權值[wi]。

Boosting算法將[N]個特征選擇器組成多個強分類器，通過構造一個預測矩陣序列，并按照特定方式將強分類器整合到一個預測分類器中，并實時更新各個特征的累積分類正權值[λcorrm]和累積分類負權值[λwrongm]。Online?boosting算法在目標跟蹤過程中不斷計算選擇器中[M]個目標特征樣本的累積識別率，并將識別率加權融合，提高預測分類器的識別率，降低特征積累誤差。

設定閾值[k]（選取k=0）對訓練樣本的分類結果進行篩選。如果[pi（i）>k]，認為特征樣本為正樣本；如果[pi（i）≤k]，認為特征樣本為負樣本。

3 Kalman預測器

Kalman預測器作為一個在誤差協方差最小準則下的最優估計方法，能利用當前的運動目標特征參數不斷修正下幀圖像中運動目標狀態的估計值，提高目標跟蹤的跟蹤精度。CT得到的低維特征認為是一個離散控制過程的系統，利用樸素貝葉斯模型預測下幀圖像中跟蹤目標的區域位置。基于目標特征區域的上一狀態可以預測出目標特征：

CT目標跟蹤算法結合預測結果和測量結果自適應調整目標搜索區域，保證跟蹤算法的準確性和實時性。目標區域測量時，通過當前分類器的變化率，判斷跟蹤目標時都被遮擋，在目標嚴重遮擋或全部遮擋情況下，CT跟蹤算法測量的目標位置是不準確的，會出現跟蹤偏移或跟蹤失敗的問題。若變化率大于設定閾值，下幀圖像目標區域的最優估算值則舍棄當前狀態的測量值，認定Kalman預測器預測位置為目標的實際位置，并停止更新前幀分類器參數。

4 改進算法綜述

為提高CT的目標跟蹤算法的魯棒性和實時性，對目標特征提取算法進行了優化，引入多特征權值[wi]，并結合Kalman預測器預測修正搜索目標區域。算法流程如下：

Step1：初始化貝葉斯分類器（選定跟蹤目標）。

Step2：對某一幀圖像特征降維并訓練正負樣本，并采用Kalman預測器計算目標“質心”，并預測下一幀圖像目標質心。

Step3：初始化分類器參數，計算目標樣本特征的均值和方差。

Step4：利用Online?boosting算法計算多樣本特征的權值。

Step5：讀取下一幀圖像，并在預測的“質心”周圍選取目標區域，計算其特征值及分類器[H（v）]。

Step6：計算分類器[H（v）]變化率，判斷目標是否被遮擋以及遮擋程度。

Step7：若變化率小于閾值[α]，則認為最大的[H（v）]為目標區域，更新正負樣本及參數，跳轉到步驟2進行下一幀的處理。若變化率大于閾值[α]，舍棄新生成的[H（v）]和樣本參數，利用Kalman預測器預測跟蹤，跳轉到步驟5進行下一幀的處理。

算法流程圖如圖3所示。

5 實驗結果

為了驗證提出的基于Kalman濾波的CT多特征加權目標跟蹤算法的有效性，對David，Crossing和Bike三組序列分別采用傳統CT算法和提出的算法進行目標跟蹤實驗。跟蹤結果如圖4～圖6所示（實線是CT跟蹤目標框，點劃線是本文算法跟蹤目標框）。實驗環境為Intel[?]CoreTM i5?4590 CPU 3.3 GHz。操作系統是WIN7（32 b），開發環境是Matlab 2010b。

圖4 中David序列大小為320×240，從跟蹤實驗效果可以看出傳統CT跟蹤效果在目標的紋理、光照變化較少和目標未被遮擋的情況下總體跟蹤效果良好，但是第180幀中，因為頭部快速運動，跟蹤檢測的視頻序列中出現了跟蹤區域漂移問題。本文算法采用多特征加權方法，并且利用Kalman預測器對目標位置進行預測和修正，可以看出綠色跟蹤框“質心”大體在David鼻子周圍小范圍的移動，即時目標快速移動時也表現出較好的魯棒性。

圖5中Crossing序列大小為384×288，該序列中出現跟蹤目標被部分遮擋的情況。本文選擇中年婦女作為跟蹤目標，在第105幀，目標被一男子部分遮擋，當男子與婦女分離時，CT跟蹤框開始跟蹤移動男子，丟失目標。這是由于男子的灰度特征與婦女相似，導致分類器[H（v）]誤判。本文提出的方法在121幀也發生了目標飄移現象，但是Kalman濾波器根據[H（v）]的變化率實時判斷目標是否被遮擋并保留預測位置，自主修正跟蹤位置。

圖6中Bike序列大小為320×240，圖像背景復雜，干擾因素較多。選取騎自行車女子作為跟蹤目標，自行車移動速度非常快，且在16～24幀被大樹遮擋，能夠考驗目標跟蹤算法的魯棒性。而本文算法在目標移動速度快且有遮擋情況下，其中有三幀完全被遮擋圖像，能夠有效預測移動目標位置。第24幀當自行車前輪再次出現時，虛線跟蹤框捕捉目標，并實時完成跟蹤任務。而CT算法目標被完全遮擋時，搜索最大相似值，雖然變化率很大，但不能自適應的找回目標。

6 結 論

本文算法是在壓縮傳感跟蹤算法的基礎上提出的，引入Online?boosting的特征加權分類思想，融合多個正負樣本，結合Boosting學習方法更新特征權值和置信圖估計，采用多種特征的加權組合，解決跟蹤目標紋理或環境變化魯棒性不高的問題，能有效抗干擾，并尋回目標，有效提高特征跟蹤的穩定性。

利用Kalman預測器結合現在目標區域的預測結果和現在目標區域的測量值，計算得到下幀圖像最優化目標區域，實現減少在周圍相似區域搜尋目標時間的目的，并有效提高跟蹤算法的魯棒性和實時性。從David，Crossing和Bike三組不同場景序列圖像目標跟蹤對比實驗表明，提出的方法在外界環境光照改變、目標姿態變化等干擾因素下較CT的跟蹤穩定性均有所提高；在目標發生遮擋和嚴重遮擋情況下，有效地預測跟蹤目標“質心”，表現出良好的自適應性和魯棒性，并繼承了壓縮感知算法的實時性。

參考文獻

[1] DíAZ?FéLIX L A， ESCOBAR?TOLEDO M， WAISSMAN J， et al. Evaluation of heliostat field global tracking error distributions by Monte Carlo simulations [J]. Energy procedia， 2014， 49： 1308?1317.

[2] GRABNER H， BISCHOF H. On?line boosting and vision [C]// 2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. [S.l.]： IEEE， 2006： 260?267.

[3] MEI X， LING H. Robust visual tracking and vehicle classification via sparse representation [J]. IEEE transactions on pattern analysis and machine intelligence， 2011， 33（11）： 2259?2272.

[4] DONOHO D L. Compressed sensing [J]. IEEE transactions on information theory， 2006， 52（4）： 1289?1306.

[5] STERNIG S， GODEC M， ROTH P M， et al. TransientBoost： on?line boosting with transient data [C]// 2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops. San Francisco： IEEE， 2010： 22?27.

[6] ZHANG K， ZHANG L， YANG M H. Real?time compressive tracking [C]// Proceedings of 2012 12th European Conference on Computer Vision. Florence： Springer Berlin Heidelberg， 2012： 864?877.

[7] 張雷，王延杰，何舒文.基于相位一致性的實時壓縮跟蹤方法[J].光子學報，2014，43（8）：124?131.

[8] 潘磊，束鑫，祁云嵩.一種改進的快速壓縮跟蹤算法[J].江蘇科技大學學報（自然科學版），2015，29（2）：175?179.

[9] CHANG W C， CHO C W. Online boosting for vehicle detection [J]. IEEE transactions on systems man cybernetics Part B， 2010， 40（3）： 892?902.

[10] MAZINAN A H， AMIR?LATIFI A. Applying mean shift， motion information and Kalman filtering approaches to object tracking [J]. ISA transactions， 2012， 51（3）： 485?497.

[11] REN D， QU F， Lü K， et al. A gradient descent boosting spectrum modeling method based on back interval partial least squares [J]. Neurocomputing， 2015， 171： 1038?1046.

[12] SHI Q， ERIKSSON A， VAN DEN HENGEL A， et al. Is face recognition really a compressive sensing problem？ [C]// 2011 IEEE Conference on Computer Vision and Pattern Recognition. [S.l.]： IEEE， 2011： 553?560.