基于壓縮感知的實時目標追蹤算法

摘 要： 提出了一種高效的基于壓縮感知的實時目標追蹤算法，該算法將空域數據轉換到小波域，然后利用變密度采樣矩陣對小波域數據進行壓縮，從而極大地降低了數據量。在稀疏重建上，將St?OMP算法代替OMP算法以提高稀疏重建的速度。在多種具有挑戰性的視頻序列上進行實驗，結果表明該算法提高了追蹤準確度和速度。

關鍵詞： 壓縮感知； 實時目標追蹤； 貪婪算法； 稀疏重建

中圖分類號： TN911.7?34 文獻標識碼： A 文章編號： 1004?373X（2015）03?0057?02

Real?time object tracking algorithm based on compressive sensing

ZHAO Zhen?zhen

（Department of Electronics， Ocean University of China， Qingdao 266100， China）

Abstract： An efficient object tracking algorithm based on compressive sensing is proposed to improve the implementation speed and efficiency of [?1]tracker and the OMP tracker. It transforms the spatial data to the wavelet domain， and compresses wavelet signal by means of variable density sampling matrix to reduce the data size greatly. Besides， OMP algorithm is replaced by St?OMP algorithm to improve the speed of sparse reconstruction in the process of sparse reconstruction. Experiments in several challenging video sequences show that the proposed algorithm achieves better tracking result both in accuracy and speed.

Keywords： compressive sensing； real?time object tracking； greedy algorithm； sparse reconstruction

0 引 言

基于壓縮感知的實時目標追蹤算法是建立在粒子濾波框架上的一種新穎的算法[1]，能巧妙解決目標遮擋、外觀變化等噪聲干擾，得到快速準確的追蹤效果。

2009年Xue Mei 等人首次提出了將壓縮感知融合到粒子濾波框架的[?1]tracker 算法[2]，利用了凸松弛算法進行稀疏重建，但該算法較高的計算復雜度導致實時性差。2011年Hanxi Li等人提出了OMP tracker算法，其追蹤速度為[?1]tracker的幾百倍[3]。盡管如此，OMP tracker的追蹤速度平均也只有10 f/s，追蹤速度亟待提高。

1 [?1]tracker與OMP tracker

基于壓縮感知的實時目標追蹤算法是一種基于模板的算法[4]，目前具有代表性的算法有[?1]tracker和OMP tracker兩種，其核心思想是求解候選目標[si]在模板空間除了降低數據維度，改進壓縮感知重建算法的執行效率也是提高目標追蹤速度的一個重要方法。本文采用了在OMP算法上發展出來的St?OMP算法，與OMP算法最大的區別在于每一步匹配追蹤時選擇多個最佳原子，而不是單個最佳原子，由此減少匹配次數，加速了算法[10]。

3 實現框架

為驗證本文所提算法的性能，為該算法設計一個實現框架如圖1所示。初始化階段，追蹤目標周圍隨機均勻生成[nT=10]個尺寸為12×15（像素）的目標模板，并將其投影到小波域進行數據壓縮，頻域采樣率設定為30.5%。在采樣階段，根據前一時刻確定的追蹤目標位置均勻生成當前時刻采樣數為[ns=600]的候選目標，并投影到小波域。

圖1 基于壓縮感知的實時目標追蹤算法的實現框架

4 實驗結果及分析

通過5段視頻序列來測試該算法的性能，如圖2所示，每一幀追蹤到的目標用紅色平行四邊形框出。視頻“Car4”中的追蹤目標是汽車，從圖2（a）排中可以看出，在光照條件變化時，該追蹤算法的追蹤效果良好。視頻是“Singer1”的追蹤目標是穿白衣服的女歌手，如圖2（b）排所示，視頻中光照發生了劇烈的變化、目標尺度也改變了，追蹤效果依然良好。“Occlusion1”和“Occlusion2”追蹤的目標是人臉，如圖2（c），（d）所示，當人臉被嚴重遮擋時，追蹤結果良好。“Deer”追蹤的目標是運動迅速的一頭鹿的頭部，如圖2（e）所示，在第54，56幀時追蹤目標周圍存在跟目標幾乎一模一樣的鹿，追蹤結果并沒有受第二頭鹿的影響而出現失誤。

在追蹤速度上，用以上所示5段視頻進行測試，本文所提的算法在保證追蹤準確度的基礎上大大提高了追蹤速度，如表1所示，平均追蹤速度達到了29 f/s，是OMP tracker算法的1倍。

參考文獻

[1] 郭巖松，楊愛萍，侯正信，等.壓縮感知目標跟蹤[J].計算機工程與應用，2011，47（32）：4?7.

[2] XUE Mei， LING Hai?bin. Robust visual tracking using L1 minimization [C]// 2009 IEEE 12th International Conference on Computer Vision. [S.l.]： IEEE， 2009： 1436?1443.

[3] LI Han?xi， SHEN Chun?hua， SHI Qin?feng. Real?time visual tracking using compressive sensing [C]// International Confe?rence on Computer Vision. [S.l.]： IEEE， 2011： 1305?1303.

[4] 柴繼貴.WSN 中一種基于壓縮感知的目標定位算法[J].計算機工程，2013，39（3）：77?86.

[5] 朱秋平，顏佳，張虎，等.基于壓縮感知的多特征實時跟蹤[J].光學精密工程，2013，21（2）：437?443.

[6] DONOHO D. Compressed sensing [J]. IEEE Transactions On Information Theory， 2006， 52（4）： 1289?1306.

[7] ROMBERG J. Imaging via compressive sampling [J]. IEEE Signal Processing Magazine， 2008， 11： 14?20.

[8] KRAGNWE F，WARD R. Stable and robust sampling strategies for compressive imaging [J]. IEEE transactions on Image Processing， 2014， 23： 612?622.

[9] RAVISHANKAR S， BRESLER Y. MR image reconstruction from highly undersampled K?space data by dictionary learning [J]. IEEE Transactions on Medical Imaging， 2011， 30： 1028?1041.

[10] BARANIUK R. Compressing sensing [J]. IEEE Signal Processing Magazine， 2007， 40： 118?124.