基于光流和壓縮感知的目標(biāo)跟蹤

摘要：由于姿態(tài)變化，光照改變，遮擋以及運(yùn)動(dòng)模糊等因素，開發(fā)有效和實(shí)時(shí)的目標(biāo)跟蹤算法是一個(gè)有挑戰(zhàn)性的任務(wù)。因此，在復(fù)雜的實(shí)際環(huán)境中使用單一的檢測(cè)與跟蹤算法已無(wú)法滿足目標(biāo)跟蹤的實(shí)用性要求。本文基于光流法和壓縮跟蹤算法，提出一種融合跟蹤、在線學(xué)習(xí)以及檢測(cè)技術(shù)的目標(biāo)跟蹤方法。實(shí)驗(yàn)結(jié)果表明，該方法提高了跟蹤精度，而且具有較強(qiáng)的魯棒性。

關(guān)鍵詞：光流法；壓縮感知；目標(biāo)跟蹤

1 引言

目標(biāo)跟蹤是計(jì)算機(jī)視覺領(lǐng)域中最活躍的研究主題之一，在民用和軍事上都具有廣泛的應(yīng)用，如交通流量的監(jiān)測(cè)、智能安全監(jiān)控、人機(jī)交互、軍事制導(dǎo)、視覺導(dǎo)航等。目前，運(yùn)動(dòng)目標(biāo)的檢測(cè)與跟蹤已經(jīng)取得了很多成果，并且不斷有新技術(shù)、新算法涌現(xiàn)。但在實(shí)際環(huán)境中，由于自然環(huán)境的復(fù)雜，目標(biāo)的高機(jī)動(dòng)性，造成跟蹤不準(zhǔn)確且效率不高。因此，研究改進(jìn)目標(biāo)跟蹤算法有很現(xiàn)實(shí)的意義和應(yīng)用價(jià)值。

粒子濾波器能夠以統(tǒng)一的理論框架處理非線性非高斯問(wèn)題，因而成為目標(biāo)跟蹤領(lǐng)域一種強(qiáng)有力的跟蹤算法.然而由于粒子濾波器的蒙特卡洛性質(zhì)，它一般要求大量的粒子才能準(zhǔn)確地表達(dá)目標(biāo)的概率分布，因此算法的計(jì)算代價(jià)很大[1]。在一些特定情況下，目標(biāo)的某種特征比較顯著，基于該特征即可實(shí)現(xiàn)可靠的目標(biāo)跟蹤。但在復(fù)雜環(huán)境中，目標(biāo)特征和背景特征都在不斷地變化。因此，Babenko， B.等人提出一種在線多實(shí)例學(xué)習(xí)的方法[2]，對(duì)目標(biāo)的自身變化和場(chǎng)景變化有較強(qiáng)適應(yīng)性和魯棒性。在此基礎(chǔ)上，Kaihua Zhang等人將壓縮感知理論應(yīng)用到目標(biāo)跟蹤中，并稱其為壓縮跟蹤[3]。該算法表現(xiàn)出突出的實(shí)時(shí)性，但是由于沒(méi)有充分利用目標(biāo)的運(yùn)動(dòng)信息，當(dāng)光照變化劇烈或目標(biāo)快速運(yùn)動(dòng)時(shí)，容易跟偏，甚至跟丟目標(biāo)。ZdenekKalal提出TLD算法[4]巧妙地把跟蹤器、檢測(cè)器和學(xué)習(xí)過(guò)程結(jié)合在一起，共同實(shí)現(xiàn)目標(biāo)的跟蹤，從而解決被跟蹤目標(biāo)在被跟蹤過(guò)程中發(fā)生的形變、遮擋等問(wèn)題。但是由于TLD的三個(gè)組成部分都涉及到大量復(fù)雜的計(jì)算，所以實(shí)時(shí)性較差。

本文基于光流法[5]和壓縮跟蹤算法，提出一種融合跟蹤、在線學(xué)習(xí)以及檢測(cè)技術(shù)的目標(biāo)跟蹤方法。首先利用光流法預(yù)估運(yùn)動(dòng)目標(biāo)的位置，再通過(guò)壓縮感知算法對(duì)目標(biāo)進(jìn)行學(xué)習(xí)以及檢測(cè)驗(yàn)證，在滿足實(shí)時(shí)性的同時(shí)，使得跟蹤效果更加魯棒、可靠。

2算法分析

2.1光流法

4 實(shí)驗(yàn)測(cè)試與驗(yàn)證

從圖2可以看出，壓縮跟蹤對(duì)目標(biāo)的紋理變化和遮擋具有較高的魯棒性。首先是因?yàn)槠洳捎玫氖菆D像的顏色和紋理特征來(lái)表征目標(biāo)，而且由于壓縮感知理論的特性，降維后的特征仍可以較好的保留原圖像特征的信息，所以對(duì)于顏色和紋理特征相對(duì)突出的目標(biāo)可以達(dá)到較好的跟蹤效果。由于在跟蹤過(guò)程中，不僅對(duì)目標(biāo)本身進(jìn)行不斷學(xué)習(xí)，而且也將目標(biāo)周圍一定領(lǐng)域內(nèi)的背景也作為正樣本學(xué)習(xí)，所以當(dāng)目標(biāo)被短暫遮擋時(shí)仍然能夠正確跟蹤，不過(guò)此時(shí)的分類器匹配得分?jǐn)?shù)較低。然而，壓縮跟蹤只是一種基于檢測(cè)的跟蹤算法，它沒(méi)有充分利用目標(biāo)的運(yùn)動(dòng)信息。

5 結(jié)論

對(duì)于復(fù)雜背景下，單一的跟蹤或檢測(cè)算法往往很難得到魯棒的跟蹤結(jié)果，本文提出了一種融合跟蹤、學(xué)習(xí)以及檢測(cè)技術(shù)的目標(biāo)跟蹤算法。針對(duì)壓縮感知跟蹤算法的不足，引入光流法充分利用目標(biāo)的運(yùn)動(dòng)信息來(lái)跟蹤目標(biāo)。采用光流法對(duì)特征點(diǎn)進(jìn)行前后向跟蹤，引入特征點(diǎn)淘汰機(jī)制，實(shí)現(xiàn)更加可靠的跟蹤。采用最新提出的壓縮感知技術(shù)對(duì)目標(biāo)特征進(jìn)行降維，克服了傳統(tǒng)方法對(duì)特征降維后，不能完整保持原有特征的缺陷。提出將光流跟蹤與壓縮感知跟蹤相結(jié)合的目標(biāo)跟蹤框架，改進(jìn)了原有方法無(wú)法適應(yīng)目標(biāo)快速運(yùn)動(dòng)變化的不足。實(shí)驗(yàn)結(jié)果表明，本文的方法是對(duì)壓縮感知跟蹤的改進(jìn)。

參考文獻(xiàn)

[1]Li P， Zhang T， Pece A E. Visual contour tracking based on particle filters. Image and Vision Computing， 2003，21（1）：111-123.

[2] Babenko， B.， Yang， M.-H.， Belongie， S.： Robust object tracking with online multiple instance learning. PAMI 33， 1619–1632 （2011）.

[3] Kaihua Zhang， Lei Zhang， and Ming-Hsuan Yang.Real-Time Compressive Tracking ECCV 2012， Part III ， pp. 866–879， 2012.

[4]Zdenek Kalal， Krystian Mikolajczyk， Jiri Matas.Tracking-Learning-Detection.PAMI 2012.

[5]J.Y. Bouguet， “Pyramidal implementation of the lucas kanade feature tracker ： description of the algorithm”，OpenCV Document， Intel， Microprocessor Research Labs， 2000.

[6] Jianbo Shi and Carlo Tomasi， “Good features to track”， Proc. IEEE Comput. Soc. Conf. Comput. Vision and Pattern Recogn.， pages 593-600， 1994.