融合多特征的壓縮感知跟蹤算法研究

張學(xué)典++劉曉

摘要：壓縮感知目標(biāo)跟蹤算法由于特征單一，導(dǎo)致在目標(biāo)紋理變化、光照變化和背景變換較大的情況下，跟蹤目標(biāo)漂移甚至丟失。針對(duì)該問題，提出了一種融合多特征的實(shí)時(shí)目標(biāo)跟蹤算法。該算法首先融合多種特征進(jìn)行特征提取，解決了特征單一問題，顯示了較好的魯棒性。然后在分類器進(jìn)行更新時(shí)應(yīng)用加權(quán)函數(shù)解決分類器權(quán)重問題。在OTB13測試庫選取3個(gè)測試序列對(duì)改進(jìn)算法進(jìn)行測試。實(shí)驗(yàn)結(jié)果表明，改進(jìn)算法在處理目標(biāo)外觀變換和遮擋變化時(shí)顯示出了良好的魯棒性。

關(guān)鍵詞：目標(biāo)跟蹤；壓縮感知；顏色融合；多特征

DOIDOI：10.11907/rjdk.171643

中圖分類號(hào)：TP312文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：16727800（2017）010005704

0引言

姿態(tài)、照明、遮擋等引起目標(biāo)外觀變化，相關(guān)的目標(biāo)跟蹤算法研究很多，有效的外觀模型對(duì)于跟蹤算法成功至關(guān)重要?；谕庥^模型，跟蹤算法通常分為生成型[12]或判別型[35]。

生成跟蹤算法通常學(xué)習(xí)一個(gè)模型來表示目標(biāo)對(duì)象，然后使用它以最小的重建誤差搜索圖像區(qū)域。Black等[1]提出用一個(gè)離線子空間模型表征跟蹤對(duì)象的目標(biāo)區(qū)域。IVT方法利用增量子空間模型來適應(yīng)外觀變化。稀疏表征已用于1跟蹤器中，其中一個(gè)對(duì)象由目標(biāo)和瑣碎模板的稀疏線性組合進(jìn)行建模[6]。然而，該跟蹤器計(jì)算復(fù)雜度高，難以在實(shí)時(shí)場景應(yīng)用。盡管這些跟蹤算法取得了很大成功，但仍有問題需要解決：①需要從連續(xù)幀中裁剪出一定數(shù)量的訓(xùn)練樣本用以在線學(xué)習(xí)外觀模型。由于開始只有少數(shù)樣本，大多數(shù)跟蹤算法通常認(rèn)為目標(biāo)外觀在此期間不會(huì)發(fā)生太大變化。但是，如果目標(biāo)在開始時(shí)發(fā)生顯著變化，則可能會(huì)發(fā)生漂移問題；②當(dāng)在當(dāng)前目標(biāo)位置繪制多個(gè)樣本時(shí)，外觀模型需要適應(yīng)這些潛在的錯(cuò)誤對(duì)比示例[7]，很可能引起漂移；③生成算法不使用背景信息，導(dǎo)致跟蹤不穩(wěn)定、魯棒性低。

將目標(biāo)跟蹤問題轉(zhuǎn)換為一個(gè)二分類問題，通過分類器區(qū)分目標(biāo)和背景，分類器獲得最大響應(yīng)分?jǐn)?shù)的位置就是目標(biāo)位置。由于外觀模型更新了嘈雜和可能未對(duì)齊的示例，通常會(huì)導(dǎo)致跟蹤漂移問題。Grabner等[7]提出了一種在線半監(jiān)督增強(qiáng)方法來緩解漂移問題，其中僅標(biāo)記第一幀樣本，其它樣本未標(biāo)記。Babenko等[8]將多實(shí)例學(xué)習(xí)引入在線跟蹤。本文提出一種融合多特征的壓縮感知目標(biāo)跟蹤算法，解決在目標(biāo)變化和背景變化的環(huán)境中的魯棒性問題。

3實(shí)驗(yàn)結(jié)果及分析

為驗(yàn)證改進(jìn)后的算法與壓縮感知跟蹤算法的魯棒性，分別選取多融合壓縮感知追蹤算法、壓縮感知跟蹤算法和時(shí)空上下文視覺跟蹤算法（STC）進(jìn)行對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)序列選取David indoor、Bolt、Sylvester進(jìn)行跟蹤。黃色實(shí)框表示改進(jìn)后的算法，即多特征融合的壓縮感知跟蹤算法，粉色實(shí)框代表壓縮感知跟蹤算法，紅色實(shí)框代表STC算法，實(shí)驗(yàn)測試結(jié)果見圖3。

Bolt測試序列如圖4所示。該測試序列的特點(diǎn)是目標(biāo)移動(dòng)快速、背景復(fù)雜、周圍干擾多。運(yùn)動(dòng)員的快速奔跑導(dǎo)致目標(biāo)特征變化大。#15、#28幀，物體從靜止開始運(yùn)動(dòng)，3個(gè)追蹤算法均能捕捉運(yùn)動(dòng)目標(biāo)。#54幀時(shí)，目標(biāo)開始快速運(yùn)動(dòng)，且視角拉長，目標(biāo)體積變小。CT跟蹤算法開始丟失目標(biāo)，壓縮感知跟蹤算法略微滯后于多特征壓縮感知跟蹤算法，實(shí)驗(yàn)結(jié)果驗(yàn)證了算法的可行性。

4結(jié)語

針對(duì)壓縮感知算法在目標(biāo)跟蹤過程中存在特征單一，在光照及紋理變化條件下跟蹤不穩(wěn)定問題，提出了一種多特征融合的壓縮感知跟蹤算法。將隨機(jī)矩陣投影得到特征后加權(quán)提取融合特征，使原本單薄的特征變得更穩(wěn)定。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的壓縮感知算法能在復(fù)雜背景、運(yùn)動(dòng)目標(biāo)快速移動(dòng)、光照條件發(fā)生變化等情況下，保留原有壓縮感知算法高效、實(shí)時(shí)特點(diǎn)，具有更高的魯棒性、更突出的穩(wěn)定性。

參考文獻(xiàn)參考文獻(xiàn)：

[1]BLACK M， JEPSON A. Eigentracking： robust matching and tracking of articulated objects using a viewbased representation[J]. IJCV，1998（38）：6384.

[2]JEPSON A， FLEET D， MARAGHI T.Robust online appearance models for visual tracking[J]. PAMI，2003（25）：12961311.

[3]Avidan S.Support vector tracking[J]. PAMI，2004（26）：10641072.

[4]COLLINS R，LIU Y，LEORDEANU M. Online selection of discriminative tracking features[J]. PAMI，2005（27）：16311643.

[5]GRABNER H，GRABNER M，BISCHOF H. Realtime tracking via online boosting[J]. In： BMVC，2006（25）：4756.

[6]MEI X， LING H.Robust visual tracking and vehicle classification via sparse rep resentation[J]. PAMI，2011（33）：22592272.

[7]BABENKO B，YANG M H，BELONGIE S.Robust object tracking with online multi ple instance learning[J].PAMI，2011（33）：16191632.

[8]ZHANG K， ZHANG L， YANG M H.Realtime compressive tracking[J]. In： ECCV，2012（24）：864877.

[9]DIACONIS P， FREEDMAN D. Asymptotics of graphical projection pursuit[J]. Ann. Stat， 1984（12）：228235.

[10]LI P，HASTIE T，CHURCH K.Very sparse random projections[J].In：KDD，2006（30）：287296.

[11]ORON S，AHARON B H，LEVI D，et al.Locally orderless tracking[C].IEEE Computer Society Conference on Com puter Vision and Pattern Recognition，2012：19401947.

[12]CANDES E J，WAKIN M B.An introduction to compressive sampling[J].IEEE Signal Processing Magazine，2008，25（2）：2130.

[13]COMANICIU D，RATNESH V，MEER P.Kernelbased object tracking[J]. IEEE Transactions on Pattern Analysis and Machine Intel ligence，2003，25（5）：564577.

責(zé)任編輯（責(zé)任編輯：杜能鋼）endprint