結構化的聯合特征表觀模型

楊大為++劉麗萍++祁燕

摘 要：針對單目標跟蹤過程中的部分遮擋問題，提出了一種結構化的聯合特征表觀模型。該模型將被跟蹤的目標圖像劃分成若干圖像塊，在每個圖像塊內分別計算其顏色特征和紋理特征，將這些特征向量化后作為目標的表觀模型。實驗結果表明了該方法的有效性。

關鍵字：表觀模型 顏色特征 紋理特征

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1672-3791（2015）04（c）-0001-01

目標跟蹤是計算機視覺領域的的研究熱點之一，廣泛地應用于視頻監控、機器人導航和人機交互等領域。近年來，研究人員提出了大量的跟蹤方法及相關技術，但仍面臨許多難題，如光照變化、部分或完全遮擋、復雜背景環境干擾等。設計一個魯棒的目標表觀模型成為目標跟蹤的關鍵任務。

根據不同的外觀表示方法，跟蹤模型可被分為兩類：生成模型和判別模型。生成模型包括Black等[1]提出的離線子空間表觀模型，WLS跟蹤器[2]和IVT方法[3]等在線模型以及基于稀疏表達[4]的方法。這些生成模型都沒有考慮背景信息，丟棄了一些把目標從背景中判別出來的有用信息。

判別模型把跟蹤問題看作是將目標從背景中分離出來的二分類問題。Avidan等[5]的方法所使用的特征中包含了影響分類器性能的無關信息。Grabner等[6]提出了在線boosting特征選擇方法，可能會導致跟蹤失敗。MIL跟蹤器[7]可能會選擇一些效果較小的正樣本。壓縮跟蹤（CT）[8]對跟蹤目標的模板進行壓縮，但沒有解決目標尺度變化的問題。

針對目標跟蹤中的部分遮擋問題，該文提出了一種結構化的聯合特征表觀模型。該模型將目標圖像劃分成若干圖像塊，這些圖像塊保持了固定的空間結構信息；在每個圖像塊內分別計算局部顏色特征和紋理特征，向量化后作為目標的表觀特征。

1 結構化的加權聯合特征表觀模型

1.1 顏色特征

顏色特征是計算機視覺領域中應用最為廣泛的特征，具有較高的魯棒性。本文選擇顏色特征中的一階矩和二階矩來表示圖像中顏色的分布，其數學定義如下：

（1）

（2）

其中，表示彩色圖像第i個顏色通道分量中灰度值為j的像素出現的概率，N表示圖像中的像素個數。

1.2 紋理特征

圖像的熵是一種紋理特征的統計形式，既反映了圖像灰度的聚集特征，也反映了灰度分布的空間特征，其定義為：

（3）

1.3 結構化的聯合特征表觀模型

設當前幀圖像為，候選目標圖像為，將候選目標圖像劃分為個圖像塊。在每個圖像塊中分別計算顏色矩特征和二維熵特征，并將這些特征形成特征向量，表示第個圖像塊的顏色特征分量，表示第個圖像塊的紋理特征分量。

2 實驗結果與分析

將該文的表觀模型結合貝葉斯理論進行跟蹤，并與CT跟蹤算法和MIL跟蹤算法進行對比。所有算法均在PC機（Intel CoreTM 2 Duo CPU，2.29 GHz，2.00 GB）上實現，其軟件環境為Matlab R2010b，測試的視頻序列包括典型的部分遮擋。

該文使用中心位置差和每一幀的平均跟蹤時間作為上述算法的評價指標，結果表明本文的方法對部分遮擋具有較好的魯棒性，且平均跟蹤時間明顯優于對比算法。

3 結語

針對單目標跟蹤中的部分遮擋問題，該文提出了一種結構化的聯合特征表觀模型。該模型既保留了被跟蹤目標的空間結構信息，又考慮了目標的顏色和紋理特征。將該模型結合貝葉斯理論進行目標跟蹤，實驗結果證明了該文表觀模型的有效性。

參考文獻

[1] M.Black，A.Jepson.Eigentracking： robust matching and tracking of articulated objects using a view-based representation[C].European Conference on Computer Vision，1996：329-342.

[2] A.Jepson，D.Fleet，T.El-Maraghi. Robust online appearance models for visual tracking[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2003（25）：1296-1311.

[3] D·Ross，J·Lim，R.Lin，et al，Incremental learning for robust visual tracking[J]，International Journal of Computer Vision，2008（77）：125-141.

[4] X·Mei，H.Ling，Robust visual tracking using l1 minimization[C].International Conference on Computer Vision，2009：1436-1443.

[5] S·Avidan.Ensemble tracking[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2007（29）：261-271.

[6] H·Grabner，M.Grabner，H.Bischof. Real-time tracking via online boosting[C].British Machine Vision Conference，2006：47-56.

[7] B·Babenko，M.Yang，S.Belongie.Robust object tracking with online multiple instance learning[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2011（33）：1619-1632.

[8] K.Zhang，L.Zhang，M H.Yang.Real-Time Compressive Tracking[C].European Conference on Computer Vision，2012.