基于方向向量和稀疏表示的運動目標跟蹤方法研究

徐金成 林凌鋒

摘要：目前利用稀疏表示對運動目標進行跟蹤的方法，通常都只關注于利用不同的目標外觀特征對最優化公式進行求解。而運動目標的方向特征則往往被忽略。方向向量能夠在某種程度上描述運動目標的運動趨勢，這對跟蹤運動目標存在一定的意義。本文提出了貝葉斯運動估計框架下的基于方向的跟蹤算法，利用方向向量彌補了稀疏表示中候選粒子不足的問題，懲罰部分候選粒子，并通過改進的學習方法對模板進行更新。通過與方向向量對應的像素點，我們補償初始化粒子，并設置權值以增加對應粒子的概率、降低其他粒子被選為最佳粒子的可能性。所提方法充分考慮了目標的運動特征并避免了漂移現象的產生。

關鍵詞：稀疏表示;視覺跟蹤;方向向量;光流;漂移現象

中圖分類號：TP18? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2019）18-0215-02

Abstract： Currently using sparse representation for the moving target tracking method， usually only focus on the use of different target appearance characteristics for solving optimal formula. While the direction of the moving target features tend to be ignored. Direction vector to describe the movement trend of moving target， to a certain extent it for tracking moving objects has certain significance. Under the framework of Bayesian motion estimation is proposed in this paper，the tracking algorithm based on direction， using the direction vector to make up for a sparse representation of the problem of insufficient candidate particle， punish some candidate particle， and through the improvement to learning method to update the template. With direction vector corresponding probability of particles， reduce the possibility of other particles was chosen as the best particle. Proposed method fully considering the motion characteristics of the target and avoid the phenomenon of drift.

Key words：sparse representation; visual tracking; the direction vector;optical flow;the phenomenon of drift

視覺跟蹤是機器視覺領域重要應用之一，例如空間視覺監控、汽車協助、視覺導航以及人機交互等[1，2]。給定一個視頻序列中運動目標的初始狀態，例如位置和大小，跟蹤的目標是在連續的序列中有效估計運動目標的狀態。盡管目標跟蹤已經被研究了幾十年，而且在最近幾年也有較大的進展，但是仍然有一些具有挑戰的問題沒有解決。

在本文中，提出一種穩定的視覺跟蹤算法，將運動目標跟蹤問題轉化為在模板子空間中查找系數近似值的問題。對于粒子樣本，張等人[3]利用Low-Rank來研究穩定跟蹤中粒子的關系，而本文從一個不同的角度提出利用方向向量來提高跟蹤的性能。受到Lucas-Kanade算法理論的啟發[4]，我們通過金字塔稀疏光流計算方向向量，并利用計算出來的方向向量對應的像素點，補償初始化粒子，這樣不僅能夠考慮運動目標的原始數據，而且通過運動過程中的位移，充分考慮了運動目標的外觀特征和運動特征。視覺跟蹤方法通常被分為生成方法和模板方法兩類，本文所提方法主要是基于模板的方法。稀疏表示中的瑣碎模板被用來抑制環境中發生的遮擋問題[4]，它已經被證明當遮擋存在時具有一定的可行性[5]，只在每一列設置一個非零項。我們提出的方法中，利用了這一方法，同時將其應用在模板更新的過程中，與改進的學習策略共同完成模板更新過程。改進的學習方法主要基于源模板的思想，它主要是通過求解遞增的奇異值分解問題（SVD）完成的。這一點不同于以往的運動目標更新方法。在跟蹤過程中，我們通過貝葉斯運動估計來選擇最終的最優目標，其中我們提出利用與方向向量對應的像素點對觀測值進行懲罰以充分利用運動目標的方向趨勢。

與現有的方法相比，本文的貢獻主要有以下兩個方面：（1）我們提出利用方向向量補償初始化粒子，并對其他不與方向粒子對應的觀測值進行懲罰，以提高跟蹤的準確性;（2）基于所提出的源模板的思想，通過學習已有跟蹤結果對模板進行更新，排除了噪聲及其他干擾對模板更新造成的模板退化現象。本文的結構安排如下：第二部分總結了相關的研究工作，第三部分簡單回顧了稀疏表示方法。最后，在第四部分對全文做出了總結。

1 相關工作

很多當前的視覺跟蹤方法通過分析目標物體的外觀進行跟蹤，例如亮度，顏色和紋理等。事實上，運動信息對視頻序列中的運動目標跟蹤具有重要的意義。Sundberg等人[5]證明了將低維運動與光流結合起來對跟蹤過程中出現的遮擋具有很好地避免效果。其中，光流估計最初是基于完全可見的假設，對朗伯特傳感器表面進行的公式化[4]，同時也是機器視覺領域里首先被研究的問題之一。隨后，Santner等人[11]提出將稠密光流與men shift方法結合起來完成跟蹤任務。盡管作者利用了速率較快的mean shift用于跟蹤，但是稠密光流蘇案發仍然迫使整個算法很慢。為了達到在線跟蹤的目的，Spruye等熱[7]提出利用稀疏光流進行目標跟蹤，其中主要在特征檢測階段利用FAST算法來代替原始的角點檢測方法，而且達到了提高速率的效果，但是，這種模型只適合于小位移的運動物體，這主要是受到泰勒展開式的限制，而對于比本地圖像結構更大的位移信息卻不能夠準確跟蹤。

近來，稀疏表示方法通過與現有的跟蹤方法結合，在視覺跟蹤領域得到了較好的效果[4]，例如與粒子濾波結合的跟蹤方法[6]或者貝葉斯運動估計相結合的跟蹤方法。Wright等人[4]利用稀疏表示來識別人臉，并成功跟蹤了人臉的運動變化。接著，Mei等人利用I1最小化對該方法進行改進，并將其應用到視覺跟蹤中。大量的方法證明了稀疏表示在視覺跟蹤領域的有效性和準確性。為了提高跟蹤算法在不同挑戰中的魯棒性，Bao等人[8]則提出了一種L1最小化方法與錦緞加速梯度相結合的跟蹤方法，但是，這種方法仍然對光照變化比較敏感。

2 兩種表示方法

2.1 稀疏表示方法

現有的稀疏表示方法在實現時，一般采用獨立同分布采樣策略。首先，根據零均值高斯分布，以上一幀運動目標的狀態為中心進行隨機采樣，得到初始化粒子，[X=[x1，x2，…，xn]]。X中的每一列服從[Rd]。對于一個序列的第一幀，目標狀態通過手動標出。初始模板集合為[T=[t1，t2，…，tm]∈Rd×m（d>>m）]，包含了n個目標模板，其中[ti∈Rd]，每一個模板圖像列即為一個一維的向量。觀測值可以表示為：

2.2? Lucas-Kanade方法

3 總結

本文提出了一種基于方向向量和稀疏表示的運動目標跟蹤算法。所提方法明確的討論了方向向量的影響，并利用它改進了稀疏表示方法，在貝葉斯運動估計框架下完成了目標跟蹤。通過補償和懲罰不同的候選粒子，所提算法降低了稀疏構建的誤差，同時提高了方向向量對應的觀測粒子被選為跟蹤結果的可能性。模板更新策略提高了跟蹤方法的性能，避免了模板退化的現象。在后續的工作中，我們將擴展所提算法，以解決其他的視覺問題，并考慮更多的特征以描述運動目標。

參考文獻：

[1] Wu Y， Lim J， Yang M H.Online object tracking： A benchmark. Proc. Conf. Comput. Vision Pattern Recogn.， Portland， USA， 2013：2411-2418.

[2] Li X， Hu W， Shen C， et al.A survey of appearance models in visual object tracking. ACM Trans. Intell. Syst. Tec.， 2013，4，（4）：1-38.

[3] [Smeulders A W M，Chu D M，Cucchiara R，et al. Visual tracking： an experimental survey[J].IEEE Transac-tions on Pattern Analysis and Machine Intelligence，2014，36（7） ： 1442-1468.

[4] Wright J， Yang A Y， Ganesh A， et al.Robust face recognition via sparse representation.IEEE Trans. Pattern Anal. Mach. Intell，2009，31（2）：210-227.

[5] Sundberg P， Brox T， Maire M，et al. Occlusion boundary detection and figure/ground assignment from optical flow. Proc. Conf. Comput. Vision Pattern Recogn.. Colorado， Springs， USA， 2011：2233-2240.

[6] Wang Y， Wang X， Wan W.Object tracking with sparse representation and annealed particle filter. Pro. Inter. Conf. Image and Graphics， Qingdao， China， Jul.2013：374-379.

[7] Zhang D， Yang M， Feng X.Sparse representation or collaborative representation： Which helps face recognition？. Proc. Int. Conf. Comp. Vision， Barcelona， Spain， Nov. 2011：471-478.

[8] Bao C， Wu Y， Ling H， et al.Real time robust l1 tracker using accelerated proximal gradient approach. Proc. Conf. Comput. Vision Pattern Recogn.， Providence， Rhode Island， Jun. 2012：1830-1837.

【通聯編輯：唐一東】