基于圖像傳感器的上下文快速壓縮感知算法*

茅正沖， 唐雨玉， 韓 毅

(江南大學 輕工過程先進控制教育部重點實驗室，江蘇 無錫 214122)

?

基于圖像傳感器的上下文快速壓縮感知算法*

茅正沖， 唐雨玉， 韓 毅

(江南大學 輕工過程先進控制教育部重點實驗室，江蘇 無錫 214122)

針對快速壓縮感知算法在目標被遮擋、光照變化較大時存在跟蹤不穩定的問題，提出了基于圖像傳感器的上下文快速壓縮感知跟蹤(FCT)算法。新算法首先在Haar-like特征中引入時空上下文特征，通過目標周圍的空間信息和時間上的遞推關系協助估計目標的位置。通過改進的隨機測量矩陣同時提取目標的紋理特征和灰度特征，加強了特征的穩定性，提高跟蹤的準確性。通過方差分類器預判定候選樣本，減少判定的次數，并減少錯誤的候選樣本。改進的FCT算法對光照、旋轉、尺度縮放都有良好的不變性，且不易發生跟蹤漂移。實驗證明:改進的FCT算法優于壓縮感知跟蹤(CT)算法和FCT算法。

快速壓縮跟蹤算法； 壓縮感知； 隨機測量矩陣； 方差分類器； 樸素貝葉斯分類器

0 引 言

運動目標跟蹤是機器視覺、模式識別等領域的一個重要課題，應用領域廣泛[1]。運動目標跟蹤是指在連續的視頻圖像序列中能夠實時跟蹤到運動的物體[2]。壓縮感知跟蹤[3](compressive tracking，CT) 算法指出，只要信號滿足一定的稀疏性，就能通過少量的數據實現信號的無失真重建[4]。在CT算法的基礎上，Zhang K提出了一種與數據無關的基于多尺度圖像特征提取的外觀模型算法，即快速壓縮感知跟蹤(fast compressive tracking， FCT)算法，FCT算法具有更好的魯棒性、高效性[5]。

本文對FCT算法提出改進，首先引入時空上下文特征來協助估計目標的位置，實現更準確地跟蹤；再對隨機測量矩陣進行改進，改進后的隨機測量矩陣提取的目標特征都有較高的穩定性。最后在貝葉斯分類器中引入方差分類器，通過預判定閾值預處理候選樣本，可以減少分類器的判定次數，也能減少錯誤的候選樣本，提高運行速度。

1 改進的FCT算法分析

FCT算法，在選取圖像塊時采用由粗到細的搜索策略降低算法的計算復雜度[6]，同時提高了算法穩定性。改進的FCT算法分別從提取Haar-like特征、設計隨機測量矩陣、樸素貝葉斯分類器的構建與更新進行改進。

1.1 Haar-like與時空上下文特征

FCT算法提取圖像的Haar-like特征， Haar特征模板只有白色和黑色兩種矩形，每個Haar特征值為白色矩形像素的總和減去黑色矩形像素的總和。

Haar-like特征表達式為

(1)

式中 w為矩形ri的權，N為構成特征的矩形數目，RectSum(ri)為矩形ri圍成的圖像的灰度積分。

Haar特征能夠在圖像的任何位置，所以Haar特征可達到106，計算量非常大。Haar-like特征反映了圖像灰度值的變化，具有更好的抗噪聲能力，使用積分圖像能夠提高計算速度，滿足實時性的要求。但當目標被遮擋或消失時，會出現跟蹤漂移甚至目標丟失的情況，所以,本文引入時空上下文特征來協助估計目標的位置。

視頻序列中的運動目標通常都處在相對穩定的時間和空間上下文環境中，目標在不同時刻的狀態以及目標與其空間環境中的其他物體都存在緊密的聯系，因此，可以利用目標的時空上下文信息來協助估計目標在下一幀中的位置。時空上下文特征分為目標周圍的空間信息和時間上的遞推關系。其中，時間上下文信息主要是目標運動的速度、加速度和目標的運動軌跡；空間上下文信息主要為目標周圍的局部子區域及與目標相關的其他鄰近物體[7]。

目標的上下文特征主要通過圖像的灰度和位置信息來表示，表達式為

Xc={c(z)=(I(z),z)|z∈Ωc(x*)}

(2)

式中x*為已確定的目標位置，即跟蹤到的目標中心位置的坐標；I(z)為圖像在位置Z處的灰度值，描述整個上下文Z的外觀；Ωx(x*)為位置x*的領域，表示上下文區域，包括目標區域以及目標周圍與運動相關的區域[8]。

改進后的特征表達式為

feature=a×HLi+(1-a)×Xc

(3)

式中 0

1.2 隨機測量矩陣及其改進

FCT算法采用一個滿足RIP條件的隨機測量矩陣將高維信號投影到低維空間中，經過測量矩陣R轉換后的低維特征V仍然可以最大概率地保留原始高維特征X的特性。所以，只要存儲R中的非零項，計算量很小，稀疏矩陣R元素定義為

(4)

這里，ρ=o(m)=m/(algm)=m/(10a)=m/(6a)，rij～N(0,1)，a為常數，m為106～1010。

在式(4)中，rij的產生是隨機的，所以，fij存在三種情況：只有1；只有-1；同時存在1和-1。當都為1或都為-1時，特征表現為灰度特征，當1和-1同時存在時，特征表現為紋理特征[9]。在運動目標的紋理變化時或者是目標所處的周圍環境變化時，目標的紋理特征表現穩定，但當目標產生運動時，目標的灰度特征表現穩定。

為進一步加強目標跟蹤的魯棒性，對式(4)進行改進

(5)

改進后的測量矩陣，可同時提取運動目標的紋理和灰度特征，且兩種特征各占1/2，所以，提取的目標特征有較高的穩定性，跟蹤效果良好。

1.3 樸素貝葉斯分類器和方差分類器

FCT算法采用貝葉斯分類器確定目標位置，假設V中的每個元素都是獨立分布的，即

(6)

(7)

(8)

Dγc={Z|‖I(Z)-It-1‖<γc}

(9)

(10)

Dα={Z|‖I(Z)-It‖<α}

(11)

Dζ,β={Z|ζ<‖I(Z)-It‖<β}

(12)

對于多尺度圖像跟蹤時，采用式(13)每5幀更新跟蹤位置和尺度

(13)

式中It(Z)為跟蹤位置，S為尺度，Vs(Z)為特征向量，Γ為低維特征。

(14)

(15)

提取出圖像特征后，通過分類器來選取候選樣本，計算量較大，影響算法的實時性。所以,本文引入方差分類器對候選樣本作預判定[10]，先根據式(16)計算目標區域的灰度值方差

D(x)=E(x2)-E2(x)

(16)

式中x為候選目標，E(x)為目標區域的灰度值均值，E(x2)為目標區域灰度值平方之后的均值，D(x)則為目標的灰度值方差。當候選樣本的灰度值方差小于D(x)的1/2時，則為目標樣本的幾率很小，予以去除[11],即

(17)

式中D′(x)為候選樣本的灰度值均值，D(x)則為目標的灰度值方差。通過對候選樣本的預處理，減少分類器的判定次數，減少了運算量，同時減少了錯誤的候選樣本，提高算法的穩定性。

2 改進的FCT算法步驟

1)在圖像傳感器采集視頻序列后：手動選取跟蹤目標；根據式(9)～式(12)訓練正負樣本；利用式(5)生成訓練樣本的特征；初始化分類器參數。

2)讀取新一幀圖像，粗略地一些采集圖像塊，選取候選目標1，通過式(3)計算特征，選取H(V)最大的位置1。

3)再精細地采集圖像塊，挑選出滿足式(17)的候選目標區域2，計算區域2內目標的特征，并選擇H(V)最大的位置為新一幀的目標位置。

4)得到目標的位置后，根據式(14)、式(15)更新分類器；多尺度圖像跟蹤時，根據式(13)每5幀更新跟蹤位置和尺度。

5) 跳轉至步驟(2)處進行下一幀的處理。

3 實驗結果與分析

實驗平臺為PC，內存為4.00 GB，操作系統是Windows 7，程序編寫采用Matlab2013a。為了對比三種算法，采用8個原作者論文中的視頻進行測試，具有代表性。運算結果如表1所示。

表1 三種算法跟蹤時間

從表1可以看出，FCTNew算法的運算速度快于CT算法和FCT算法。選取具有代表性David和Tiger2進行分析，跟蹤效果圖如下。其中，點線框為CT算法，虛線框為FCT算法，實線框為FCTNew算法。

圖1 David視頻序列Fig 1 David video sequence

在David視頻序列中，從圖1(a),(b)和(c)可以看出：光照發生變化時FCTNew算法跟蹤最為準確。在圖1(d)，(e)中，當目標發生旋轉并且尺度變化時， FCTNew算法的跟蹤偏移量最小。在圖1(f)和(h)中，CT算法出現明顯的跟蹤漂移，而FCTNew算法仍能實現準確跟蹤?？傻贸鼋Y論，與CT算法和FCT算法相比，FCTNew算法對光照、旋轉、尺度縮放有較強的魯棒性，且能有效解決跟蹤漂移的問題。

從圖2中可看出：目標被完全遮擋時，FCTNew算法跟蹤效果最好，且在后續視頻幀中目標也沒有丟失。

圖2 Tiger2視頻序列Fig 2 Tiger2 video sequence

圖3和圖4中右上角的數據為所有點的中心位置誤差的均值，均值越小說明平均誤差越小，算法的準確性越高。從誤差曲線圖可看出：FCTNew算法最好，FCT算法次之，CT算法最差。

圖3 David視頻序列的跟蹤誤差曲線圖Fig 3 Tracking error curve of David video sequence

圖4 Tiger2視頻序列跟蹤誤差曲線圖Fig 4 Tracking error curve of Tiger2 video sequence

綜上，改進的FCT算法優于CT和FCT算法，能更好地應用于實際。

4 結 論

新算法引入了時空上下文特征；對原來的隨機測量矩陣進行了改進；最后引入方差分類器對候選樣本進行預判定。通過仿真實驗可證明，改進的FCT算法在時效性和準確性上，都優于CT算法和FCT算法。

[1] Yilmaz A,Javed O,Shah M.Object tracking：A survey [J].ACM Computing Surveys,2006,38(4):1-45.

[2] Yang G,Liu H.Survey of visual tracking algorithms [J].CAAI Transactions on Intelligent Systems,2010,5(2):95-105.

[3] Zhang Kaihua，Zhang Lei，Yang Ming-Hsuan.Real-time compressive tracking[C]∥Computer Vision-ECCV，2012:866-879.

[4] Donoho D L.Compressed sensing[J].IEEE Transactions on Information Theory,2006,52(4):1289-1306.

[5] Zhang Kaihua，Zhang Lei，Yang Ming-Hsuan.Fast compressive tracking[J].Pattern Analysis and Machine Intelligence，2014，36(10):2002-2015.

[6] Babenko B，Yang Ming-Hsuan，Belongie S.Robust object tracking with online multiple instance learning[J].Pattern Analysis and Machine Intelligence，2011，33(8):1619-1632.

[7] Dinh T B,Vo N,Medioni G.Context tracker:Exploring supporters and distracters in unconstrained environments[C]∥2011 IEEE Conference on Computer Vision and Pattern Recognition(CVPR),IEEE,2011:1177-1184.

[8] Zhang K,Zhang L,Yang M,et al.Fast tracking via spatio-temporal context learning[J].Computer Vision and Pattern Recognition,2013,1939(1311):127-141.

[9] Xie Yuan，Zhang Wensheng，Qu Yanyun.Discriminative subspace learning with sparse representation view-based model for robust visual tracking[J].Pattern Recognition，2014，47(3):1383-1394.

[10] Kalal Z，Mikolajcayk K，Matas J.Tracking-learning-detection[J].Pattern Analysis and Machine Intelligence，2012，34(7):1409-1423.

[11] Xie Chengjun，Tan Jieqing，Chen Peng.Collaborative object tra-cking model with local sparse representation[J].J Vis Commun Image R，2014，25(2):423-434.

Fasting compressive sensing algorithm with context based on image sensor*

MAO Zheng-chong， TANG Yu-yu， HAN Yi

(Key Laboratory of Advanced Process Control for Light Industry，Ministry of Education，Jiangnan University,Wuxi 214122,China)

Aiming at problems that fast compressive tracking(FCT)，algorithm has poor robustness in target occlusion and illumination changes,propose a FCT algorithm with context based on image sensors.First,the new algorithm introduces temporal and spatial context features in the Haar-like feature,and assists to estimate target position by spatial information around target and time recurrence relation.By improved random measurement matrix，extract simultaneously texture features and gray features of target,stability of feature is enhanced,accuracy of target tracking is improved.Pre-judge candidate sample by variance classifier,reduce number of decision,reduce number of wrong candidate samples.The improved FCT algorithm has good invariance for illumination,rotation and scale changes,tracking drift also not easy to happen.It can be proved that the improved FCT algorithm is superior to CT and FCT algorithms.

fast compressive tracking(FCT) algorithm; compressive sensing(CS); random measurement matrix; variance classifier; naive Bayes classifier

2016—01—06

國家自然科學基金資助項目(60973095)； 江蘇省自然科學基金資助項目(BK20131107)

10.13873/J.1000—9787(2016)10—0131—04

TP 391

A

1000—9787(2016)10—0131—04

茅正沖(1964-)，男，江蘇啟東人，碩士，副教授，主要從事機器人視聽覺識別的研究工作。