融合多特征的壓縮感知跟蹤算法研究

張學典++劉曉

摘要：壓縮感知目標跟蹤算法由于特征單一，導致在目標紋理變化、光照變化和背景變換較大的情況下，跟蹤目標漂移甚至丟失。針對該問題，提出了一種融合多特征的實時目標跟蹤算法。該算法首先融合多種特征進行特征提取，解決了特征單一問題，顯示了較好的魯棒性。然后在分類器進行更新時應用加權函數解決分類器權重問題。在OTB13測試庫選取3個測試序列對改進算法進行測試。實驗結果表明，改進算法在處理目標外觀變換和遮擋變化時顯示出了良好的魯棒性。

關鍵詞：目標跟蹤；壓縮感知；顏色融合；多特征

DOIDOI：10.11907/rjdk.171643

中圖分類號：TP312文獻標識碼：A文章編號：16727800（2017）010005704

0引言

姿態、照明、遮擋等引起目標外觀變化，相關的目標跟蹤算法研究很多，有效的外觀模型對于跟蹤算法成功至關重要。基于外觀模型，跟蹤算法通常分為生成型[12]或判別型[35]。

生成跟蹤算法通常學習一個模型來表示目標對象，然后使用它以最小的重建誤差搜索圖像區域。Black等[1]提出用一個離線子空間模型表征跟蹤對象的目標區域。IVT方法利用增量子空間模型來適應外觀變化。稀疏表征已用于1跟蹤器中，其中一個對象由目標和瑣碎模板的稀疏線性組合進行建模[6]。然而，該跟蹤器計算復雜度高，難以在實時場景應用。盡管這些跟蹤算法取得了很大成功，但仍有問題需要解決：①需要從連續幀中裁剪出一定數量的訓練樣本用以在線學習外觀模型。由于開始只有少數樣本，大多數跟蹤算法通常認為目標外觀在此期間不會發生太大變化。但是，如果目標在開始時發生顯著變化，則可能會發生漂移問題；②當在當前目標位置繪制多個樣本時，外觀模型需要適應這些潛在的錯誤對比示例[7]，很可能引起漂移；③生成算法不使用背景信息，導致跟蹤不穩定、魯棒性低。

將目標跟蹤問題轉換為一個二分類問題，通過分類器區分目標和背景，分類器獲得最大響應分數的位置就是目標位置。由于外觀模型更新了嘈雜和可能未對齊的示例，通常會導致跟蹤漂移問題。Grabner等[7]提出了一種在線半監督增強方法來緩解漂移問題，其中僅標記第一幀樣本，其它樣本未標記。Babenko等[8]將多實例學習引入在線跟蹤。本文提出一種融合多特征的壓縮感知目標跟蹤算法，解決在目標變化和背景變化的環境中的魯棒性問題。

3實驗結果及分析

為驗證改進后的算法與壓縮感知跟蹤算法的魯棒性，分別選取多融合壓縮感知追蹤算法、壓縮感知跟蹤算法和時空上下文視覺跟蹤算法（STC）進行對比實驗。實驗序列選取David indoor、Bolt、Sylvester進行跟蹤。黃色實框表示改進后的算法，即多特征融合的壓縮感知跟蹤算法，粉色實框代表壓縮感知跟蹤算法，紅色實框代表STC算法，實驗測試結果見圖3。

Bolt測試序列如圖4所示。該測試序列的特點是目標移動快速、背景復雜、周圍干擾多。運動員的快速奔跑導致目標特征變化大。#15、#28幀，物體從靜止開始運動，3個追蹤算法均能捕捉運動目標。#54幀時，目標開始快速運動，且視角拉長，目標體積變小。CT跟蹤算法開始丟失目標，壓縮感知跟蹤算法略微滯后于多特征壓縮感知跟蹤算法，實驗結果驗證了算法的可行性。

4結語

針對壓縮感知算法在目標跟蹤過程中存在特征單一，在光照及紋理變化條件下跟蹤不穩定問題，提出了一種多特征融合的壓縮感知跟蹤算法。將隨機矩陣投影得到特征后加權提取融合特征，使原本單薄的特征變得更穩定。實驗結果表明，改進后的壓縮感知算法能在復雜背景、運動目標快速移動、光照條件發生變化等情況下，保留原有壓縮感知算法高效、實時特點，具有更高的魯棒性、更突出的穩定性。

參考文獻參考文獻：

[1]BLACK M， JEPSON A. Eigentracking： robust matching and tracking of articulated objects using a viewbased representation[J]. IJCV，1998（38）：6384.

[2]JEPSON A， FLEET D， MARAGHI T.Robust online appearance models for visual tracking[J]. PAMI，2003（25）：12961311.

[3]Avidan S.Support vector tracking[J]. PAMI，2004（26）：10641072.

[4]COLLINS R，LIU Y，LEORDEANU M. Online selection of discriminative tracking features[J]. PAMI，2005（27）：16311643.

[5]GRABNER H，GRABNER M，BISCHOF H. Realtime tracking via online boosting[J]. In： BMVC，2006（25）：4756.

[6]MEI X， LING H.Robust visual tracking and vehicle classification via sparse rep resentation[J]. PAMI，2011（33）：22592272.

[7]BABENKO B，YANG M H，BELONGIE S.Robust object tracking with online multi ple instance learning[J].PAMI，2011（33）：16191632.

[8]ZHANG K， ZHANG L， YANG M H.Realtime compressive tracking[J]. In： ECCV，2012（24）：864877.

[9]DIACONIS P， FREEDMAN D. Asymptotics of graphical projection pursuit[J]. Ann. Stat， 1984（12）：228235.

[10]LI P，HASTIE T，CHURCH K.Very sparse random projections[J].In：KDD，2006（30）：287296.

[11]ORON S，AHARON B H，LEVI D，et al.Locally orderless tracking[C].IEEE Computer Society Conference on Com puter Vision and Pattern Recognition，2012：19401947.

[12]CANDES E J，WAKIN M B.An introduction to compressive sampling[J].IEEE Signal Processing Magazine，2008，25（2）：2130.

[13]COMANICIU D，RATNESH V，MEER P.Kernelbased object tracking[J]. IEEE Transactions on Pattern Analysis and Machine Intel ligence，2003，25（5）：564577.

責任編輯（責任編輯：杜能鋼）endprint