自適應分塊優(yōu)化的目標跟蹤算法

楊 波，王小虎

(1.四川文理學院 財經(jīng)管理學院，四川 達州 635000；2.華北理工大學 礦業(yè)工程學院，河北 唐山 063210)

0 引 言

目標跟蹤已經(jīng)在智能監(jiān)控、導航定位等各個領(lǐng)域有著重要應用[1]，但受實際復雜環(huán)境的干擾，已有算法難以滿足準確性與實時性的要求，因此，設(shè)計合理的目標跟蹤特征模型，并提高其對復雜干擾背景的自適應特性，具有重要的意義[2]。

傳統(tǒng)特征模板[3]、局部稀疏表達[4]、SVM[5]及Baye-sian分類器[6]等跟蹤算法對光照變化、遮擋等背景干擾的適應性較差，且對樣本質(zhì)量要求高，計算復雜度大[7]。Zhang等[8]采用核相關(guān)濾波(kernel correlation filter，KCF)算法，并采用多通道特征來提高跟蹤算法的目標跟蹤準確性和實時性；DONG等[9]將顏色的各種屬性信息引入到KCF框架中，并對計算得到的高維度顏色特征進行降維，從而提高了算法的實時性和跟蹤有效性；龔真等[10]將多種特征融合與KCF相結(jié)合進行目標跟蹤，以緩解單一特征易被干擾的問題；熊昌鎮(zhèn)等[11]基于融合特征和KCF梯度直方圖進行目標位置估計，取得較高的跟蹤效率?；谙嚓P(guān)濾波框架的跟蹤算法具有較好的運算效率，但其模型中未加入局部背景信息，因而易受背景環(huán)境干擾而產(chǎn)生跟蹤漂移[12]。圖像子塊具有較好的特征不變性，對遮擋及光照變化等具有較好的抗干擾性能[13]?；诖?，Bency等[14]將自適應KCF與子塊分割相結(jié)合，通過子塊KCF和預測加權(quán)進行目標跟蹤；夏斯維等[15]結(jié)合光流法與分塊思想，在失效判別基礎(chǔ)上，通過塊內(nèi)濾波訓練和塊間加權(quán)融合提高跟蹤精度。已有基于圖像分塊的跟蹤算法以固定的矩形分塊為主，不利于目標特征的多樣性檢測，而且容易引入背景干擾。

在已有研究基礎(chǔ)上，提出基于自適應分塊和子塊異步更新的目標跟蹤算法，算法首先構(gòu)建光照不敏感特征和超像素自適應分塊，然后基于相對熵和特征聚類實現(xiàn)高置信度的子塊的自適應提取，從而提高目標跟蹤的精確性和跟蹤效率，最后通過異步更新存在變化的子塊來提高算法運算效率和環(huán)境適應性。實驗結(jié)果驗證了文中算法的有效性。

1 光照不敏感特征提取

局部敏感直方圖(local sensitive histogram，LSH)不同于傳統(tǒng)直方圖采用的特定灰度級統(tǒng)計，而是對像素鄰域信息進行統(tǒng)計，以位置為權(quán)重計算像素點的直方圖，其計算式為

(1)

式中：p和q為像素位置，bp=1,2,…,B為像素p的灰度級,B為總級數(shù)，α∈(0,1) 為距離相關(guān)的懲罰因子，Iq為像素q的灰度值，W為鄰域總像素數(shù)。

為解決光照變化影響，由LSH構(gòu)建對光照不敏感的跟蹤特征(light insensitive feature，LIF)，即

(2)

2 基于自適應分塊的目標跟蹤

2.1 超像素自適應分塊

圖像分塊具有較好的抗局部遮擋特性[5]，且其內(nèi)部特征較為穩(wěn)定，具有模式不變性，因而對背景的復雜變化和光照影響等干擾具有較好的抗干擾能力。超像素模型依據(jù)像素的紋理屬性對圖像進行分塊處理，可以將具有相同或相似特征的鄰域像素劃分為一類，并按相同類別標簽進行處理，因而，其分塊具備一定意義上的語義獨立性，且基于超像素塊的運算可避免逐像素運算的復雜性，大幅提高跟蹤算法的運算效率[10]。

文中采用基于梯度的主流紋理感知SLIC算法進行圖像的超像素自適應分塊[16]。算法首先通過具有方向性的圓窗均值濾波器規(guī)整圖像的顏色信息，以消除旨梯度噪聲對圖像紋理的影響，提高顏色距離對紋理的感知能力，其中濾波器采用1/4圓窗；然后梯度幅值上采用由Sobel梯度和區(qū)間梯度組成的聯(lián)合幅值，以實現(xiàn)抵制無效紋理、保持子圖結(jié)構(gòu)和細化邊緣的目標；最后通過具有結(jié)構(gòu)回避特性的綜合聚類進一步限定超像素分塊的邊界，提高子塊的特征一致性和分塊的精確性，流程如圖1所示。

圖1 紋理感知SLIC超像素分塊

基于圖1的文中自適應目標分塊如圖2所示，圖2(a)中跟蹤框為手動預選的目標區(qū)域，圖2(b)為自適應分塊得到的結(jié)果子塊，圖2(c)為分塊結(jié)果的局部細化。可以看出，紋理感知SLIC超像素分塊盡可能保留了統(tǒng)一的目標特征信息。

圖2 超像素模型自適應分塊實驗結(jié)果

2.2 目標子塊自適應選擇

在目標跟蹤時，采用與目標特征相關(guān)的子塊同時剔除背景特征相關(guān)子塊進行目標跟蹤，跟蹤結(jié)果將更加準確[17]。定義基于Kullback-Leibler相對熵的局部差異描述算子dt(r) 來量化背景與目標子塊之間的特征差異，其計算式為

(3)

式中：t為圖像的幀號，r為分塊后子塊的序號，hf(i) 與hb(i) 分別為子塊區(qū)域和背景區(qū)域的直方圖。根據(jù)子塊的dt(r) 可以分析各子塊是目標或背景的置信度。

(4)

對于t幀圖像，超像素子塊s(t,r) 為目標區(qū)域子塊的概率可以由Pc(i) 表示為

(5)

由式(3)和式(5)計算的dt(r) 和Pt(r) 可得t幀圖像中子塊s(t,r) 的置信概率Γt(r) 為

Γt(r)=[wd,ws][dt(r),Pt(r)]T

(6)

式中：wd和ws為控制dt(r) 和Pt(r) 對目標子塊置信貢獻度的參數(shù)，其值為

(7)

(8)

實際應用時對子塊的Γt(r) 值進行排序，選取前K=argmaxi(Γt(r)>θr) 個子塊用于目標跟蹤，θr為閾值，用以剔除置信度較低的目標子塊。

2.3 LIF相似度量優(yōu)化的目標跟蹤

設(shè)t幀圖像It包含有R個子塊，其可以表示為

(9)

式中：dr為子塊r和目標所覆蓋區(qū)域的中心的距離，w0和h0為寬高初始值，則可以根據(jù)2.2節(jié)提取的具有高置信度的子塊實現(xiàn)多子塊的目標跟蹤。由于每幀圖像僅更新與目標相關(guān)的若干子塊，且各子塊的空間關(guān)系相對固定，因而算法可以快速計算局部直方圖等特征，實現(xiàn)實時跟蹤。

由子塊可對圖像中目標進行狀態(tài)估計，即

(10)

(11)

式中：q為子塊內(nèi)的像素位置，W為子塊像素數(shù)。將候選目標區(qū)域中的所有子塊的dm(q) 進行累加，則得到候選區(qū)域與目標區(qū)域之間的差異，即目標的總相似度

(12)

對當前圖像中的所有候選區(qū)域都可計算總相似度，則值最小的候選區(qū)域為當前幀的目標跟蹤參考區(qū)域，進而估計目標在當前圖像中的預測位置

(13)

式(13)所示預測位置中，當參考區(qū)域根據(jù)目標區(qū)域設(shè)定相同的子塊區(qū)域，因而區(qū)域中可能存在背景部分，且并沒有充分利用高置信度的子塊進行目標跟蹤，為此，采用高斯模型[18]對式(11)所示子塊差異進行改進，得到子塊間的似然函數(shù)為

(14)

由式(14)計算參考區(qū)域中的所有子塊的似然函數(shù)可以得到聯(lián)合似然函數(shù)，再結(jié)合子塊置信度，可得式(13)的目標跟蹤優(yōu)化值，即

(15)

由于目標在運動過程中，受圖像采集設(shè)備的影響，在連續(xù)圖像間會存在一定的尺度變化，為此，文中采用自適應閾值分割對目標的尺度進行估計，其過程為，先計算目標區(qū)域與背景區(qū)域的LIF值，即ftar(q) 和fbg(q)， 然后通過LIF值計算自適應分割閾值δ

δ=argmin(2ftar(qδ)-ftar(qδ+1)+fbg(qδ))

(16)

式中：qδ為閾值分割位置的像素位置，以δ對顏色概率圖進行二值化處理，然后根據(jù)目標前景變化，估計尺度狀態(tài)。

2.4 目標遮擋處理與子塊異步更新

上述方法未考慮目標被遮擋時的算法更新，根據(jù)通常攝像機的30幀率，如果目標被遮擋1 s以上，算法模板會被遮擋物取代造成累積漂移，為此，文中基于峰值旁瓣比R1(q) 進行遮擋的檢測處理，對于第t幀采集圖像，其判別式為

(17)

式中：Fmax為最大響應，uH和σ為峰值旁瓣的期望和方差。為適應目標遮擋情況，將目標區(qū)域及其參考區(qū)域自適應地劃分為K個區(qū)域，這樣，f1(q) 通過分析響應的多峰值來判斷子區(qū)域是否出現(xiàn)遮擋，如果有f1(i)>λ0，λ0為預設(shè)閾值，則表明該層子區(qū)域存在遮擋情況，文中閾值取值為

(18)

式中：Mk為第k層區(qū)域的子塊數(shù)，這樣算法可根據(jù)子區(qū)域大小自適應設(shè)置閾值。

根據(jù)式(17)所示的判斷方法進行目標的遮擋檢測而得到的遮擋檢測實驗效果如圖3所示，從實驗結(jié)果可以看出，當LEG區(qū)域被嚴重遮擋時，其對應曲線的幅值達到最大值，而當其遮擋消失后，幅值回到閾值以下；而在整個過程中，BODY子區(qū)域中不存在遮擋情況，因而其曲線的幅值一直低于閾值，從圖3實驗結(jié)果可以說明式(17)可以有效判別目標遮擋而實現(xiàn)目標的自適應遮擋檢測。

圖3 遮擋檢測實驗結(jié)果

當目標的不同區(qū)域出現(xiàn)遮擋時，基于緩沖池策略不同區(qū)域進行異步更新。

(19)

3 實驗驗證及分析

為驗證算法跟蹤性能，以目標跟蹤大型數(shù)據(jù)集OTB50和OTB100[1]作為實驗數(shù)據(jù)，以跟蹤性能較為優(yōu)異的KCF算法[11]、DSST算法[1]、SPT算法[13]、BACF算法[1]作為實驗比較算法，采用mat lab 2016a軟件實現(xiàn)各算法。

3.1 跟蹤精度比較分析

首先驗證算法的跟蹤準確性，以跟蹤正確率均值faccu和跟蹤重合率均值faor作為實驗性能評價指標，faccu描述圖像序列中實現(xiàn)目標正確跟蹤的幀數(shù)，因此faccu均值越大，說明實驗過程中目標跟蹤的正確率越高，但無法說明跟蹤的精確性情況，而faor則描述了正確跟蹤后的目標框與跟蹤框之間的中心距離，faor值越小，則跟蹤精確性越高。多次實驗結(jié)果見表1和表2。從表中實驗結(jié)果可以看出，F(xiàn)aceocc1序列中背景較為干凈，對跟蹤影響和干擾較小，因而，KCF、DSST和BACF算法與SPT及文中算法取得相近跟蹤結(jié)果，但在其它圖像序列中，存在背景干擾、目標遮擋和相似目標時，KCF、DSST和BACF這3種算法的跟蹤正確率迅速降低，跟蹤精度也變壞，而SPT和文中算法仍取得較優(yōu)的跟蹤效果，而文中算法的正確率和跟蹤精度更有優(yōu)勢。

表1 各算法的跟蹤正確率均值

表2 各算法的跟蹤重合率均值

3.2 跟蹤性能實驗分析

在存在目標遮擋、復雜背景及光照變化等嚴重影響目標跟蹤效果的實驗場景中進行目標跟蹤實驗，并對結(jié)果進行綜合分析，實驗過程中的部分實驗結(jié)果如圖4所示。

圖4 各算法目標跟蹤實驗結(jié)果

從圖4中實驗結(jié)果可以看出，在目標移動較快且存在一定遮擋時，KCF和BACF逐漸發(fā)生偏移，甚至由于缺少有效的遮擋檢測而完全丟失目標，主要因為KCF算法經(jīng)歷一次遮擋影響后，其密集采樣相關(guān)濾波的分類器性能極速下降，而BACF算法主要依據(jù)其首幀數(shù)據(jù)進行模型的迭代更新，跟蹤過程偏差累積較大。SPT和DSST在模型相關(guān)濾波更新時采用實時的真實背景作為負樣本，模型判別和抗遮擋性能更強，跟蹤較為穩(wěn)定。文中算法通過高置信子塊在遮擋前后的變化度量實時獲取目標變化，并根據(jù)變化結(jié)果通過擴展采樣范圍實現(xiàn)對目標的重新跟蹤和捕捉。

綜合分析上述實驗結(jié)果，可以看出，在遮擋、光照變化及相似目標等復雜場景下，文中算法的綜合目標跟蹤表現(xiàn)更加平穩(wěn)，正確率最優(yōu)。

4 結(jié)束語

為適應復雜環(huán)境下存在的光照變化、背景復雜、目標遮擋及相似目標干擾等問題，提出了基于自適應分塊和異步更新的魯棒目標跟蹤算法，算法首先構(gòu)建光照不敏感特征和超像素自適應分塊，然后通過相對熵和特征聚類實現(xiàn)高置信度子塊的自適應提取，以提高跟蹤的精確性；最后算法通過遮擋的自適應檢測和子塊緩沖池的異步更新，進一步提高算法運算性能和跟蹤效率。實驗結(jié)果表明，與KCF、DSST、SPT和BACF等已知文獻中的算法相比，文中算法具有更優(yōu)的跟蹤正確率，以及對不同復雜場景干擾的適應性和魯棒性，驗證了算法的有效性。