基于前景分割的目標跟蹤方法研究

馮端陽 李文 白璐 米則行

摘要：為克服當前目標跟蹤系統的低效率和高成本的缺陷，本文在卡爾曼濾波跟蹤理論的基礎上進行算法研究，以克服外部環境干擾等因素的影響。通過實驗證明本文所提出的算法的有效性。

關鍵詞：前景分割;魯棒性;Boosted算法

1 相關技術

目標跟蹤技術是從視頻圖像的每個幀確定跟蹤目標的實時跟蹤和自適應連續播放，通常以卡爾曼濾波為框架[1]。卡爾曼濾波提供了最優跟蹤器設計的理論框架。Sage和Husa提出的次優無偏MAP估值器適應于一般的線性時變的系統，但是系統本身都是以非線性的形式存在的。因此，目標跟蹤可以利用Meanshift均值平移算法，確定跟蹤區域的像素值，通過視頻圖像的移動[2]，計算偏移平均電流點和移動點的平均點的偏移鎖定目標，直到滿足目標的條件結束，從而完成目標跟蹤。

2 目標跟蹤系統

在目標跟蹤技術中，為了更好的確定目標的位置以及大小，將目標從背景中分離并提高顏色的分割方法，可以更好的實現目標跟蹤[3]。Adaboost的目標是通過一定數量的迭代尋找一種弱分類器的組合，從而形成最終的強分類器：

通過原始圖像與利用Boosted算法分割的圖像，只使用Boosted算法在比較模糊與前景和背景非常相似的情況下，就很難的準確的識別目標。所以考慮到目標跟蹤系統的健壯性，利用帶參考信號的獨立成分分析方法與Boosted算法的有效的結合，從而提高算法的魯棒性，如圖1所示。

可以將基于Boosted算法或帶參考信號方法分析得到投影后把圖像的像素值歸一化到[0，1]，其中像素值越接近1說明該像素越趨近于前景像素。因此，需要計算出圖像中屬于前景概率的聯合概率圖的像素點，從兩張圖像聯合中得到：

式中n是一幀的所有像素，P（i）是第i個像素點，其中和分別是Boosted算法圖像投影和帶參考信號的獨立成分在圖像投影上對應的第i個像素點。和均接近于1時，P（i）才能得到較大值。從而使前景與背景被進一步的強化。因此，以上算法的結合進一步強化了前景和背景的差異，并在每一幀中自適應的確定目標跟蹤區域，使用計算好的權向量和，映射原圖像，得到兩張映射圖像，加上之前確定目標的位置，如圖2所示。

3 總結

本論文目標跟蹤系統，是基于圖像前景的分割與帶參考信號的獨立成分分析方法的有機結合。對于圖像的前景分割，借鑒與人體檢測方面的顏色分割算法，進一步提高分割效果。但是面對一些目標顏色多樣化，單個目標的顏色存在著很大的差異，以及在一些復雜的場景下，不能對前景分離的圖像直接用于跟蹤的跟蹤，該方法容易失敗。

參考文獻：

[1]段丁娜， 張歡， 邱陳輝，等. 基于活動輪廓模型的圖像分割算法綜述[J]. 中國生物醫學工程學報， 2015， 34（4）：445-454.

[2]張旭東， 陳仲海， 胡良梅，等. 基于聯合模板稀疏表示的目標跟蹤方法[J]. 控制與決策， 2015（9）：1696-1700.

[3]王婧， 朱虹. 基于多模態詞典學習的目標跟蹤算法[J]. 西安理工大學學報， 2017（3）：259-264.

[4]劉大千， 劉萬軍， 費博雯. 前景判別的局部模型匹配目標跟蹤[J]. 中國圖象圖形學報， 2016， 21（5）：616-627.

[5]張秀君. 顯著性目標分割模型及其應用[D]. 深圳大學， 2016

作者簡介：馮端陽（1996年6月-），男，河南南陽人，河南師范大學。