基于方向向量和稀疏表示的運(yùn)動(dòng)目標(biāo)跟蹤方法研究

徐金成 林凌鋒

摘要：目前利用稀疏表示對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤的方法，通常都只關(guān)注于利用不同的目標(biāo)外觀特征對(duì)最優(yōu)化公式進(jìn)行求解。而運(yùn)動(dòng)目標(biāo)的方向特征則往往被忽略。方向向量能夠在某種程度上描述運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)趨勢(shì)，這對(duì)跟蹤運(yùn)動(dòng)目標(biāo)存在一定的意義。本文提出了貝葉斯運(yùn)動(dòng)估計(jì)框架下的基于方向的跟蹤算法，利用方向向量彌補(bǔ)了稀疏表示中候選粒子不足的問(wèn)題，懲罰部分候選粒子，并通過(guò)改進(jìn)的學(xué)習(xí)方法對(duì)模板進(jìn)行更新。通過(guò)與方向向量對(duì)應(yīng)的像素點(diǎn)，我們補(bǔ)償初始化粒子，并設(shè)置權(quán)值以增加對(duì)應(yīng)粒子的概率、降低其他粒子被選為最佳粒子的可能性。所提方法充分考慮了目標(biāo)的運(yùn)動(dòng)特征并避免了漂移現(xiàn)象的產(chǎn)生。

關(guān)鍵詞：稀疏表示;視覺(jué)跟蹤;方向向量;光流;漂移現(xiàn)象

中圖分類號(hào)：TP18? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2019）18-0215-02

Abstract： Currently using sparse representation for the moving target tracking method， usually only focus on the use of different target appearance characteristics for solving optimal formula. While the direction of the moving target features tend to be ignored. Direction vector to describe the movement trend of moving target， to a certain extent it for tracking moving objects has certain significance. Under the framework of Bayesian motion estimation is proposed in this paper，the tracking algorithm based on direction， using the direction vector to make up for a sparse representation of the problem of insufficient candidate particle， punish some candidate particle， and through the improvement to learning method to update the template. With direction vector corresponding probability of particles， reduce the possibility of other particles was chosen as the best particle. Proposed method fully considering the motion characteristics of the target and avoid the phenomenon of drift.

Key words：sparse representation; visual tracking; the direction vector;optical flow;the phenomenon of drift

視覺(jué)跟蹤是機(jī)器視覺(jué)領(lǐng)域重要應(yīng)用之一，例如空間視覺(jué)監(jiān)控、汽車協(xié)助、視覺(jué)導(dǎo)航以及人機(jī)交互等[1，2]。給定一個(gè)視頻序列中運(yùn)動(dòng)目標(biāo)的初始狀態(tài)，例如位置和大小，跟蹤的目標(biāo)是在連續(xù)的序列中有效估計(jì)運(yùn)動(dòng)目標(biāo)的狀態(tài)。盡管目標(biāo)跟蹤已經(jīng)被研究了幾十年，而且在最近幾年也有較大的進(jìn)展，但是仍然有一些具有挑戰(zhàn)的問(wèn)題沒(méi)有解決。

在本文中，提出一種穩(wěn)定的視覺(jué)跟蹤算法，將運(yùn)動(dòng)目標(biāo)跟蹤問(wèn)題轉(zhuǎn)化為在模板子空間中查找系數(shù)近似值的問(wèn)題。對(duì)于粒子樣本，張等人[3]利用Low-Rank來(lái)研究穩(wěn)定跟蹤中粒子的關(guān)系，而本文從一個(gè)不同的角度提出利用方向向量來(lái)提高跟蹤的性能。受到Lucas-Kanade算法理論的啟發(fā)[4]，我們通過(guò)金字塔稀疏光流計(jì)算方向向量，并利用計(jì)算出來(lái)的方向向量對(duì)應(yīng)的像素點(diǎn)，補(bǔ)償初始化粒子，這樣不僅能夠考慮運(yùn)動(dòng)目標(biāo)的原始數(shù)據(jù)，而且通過(guò)運(yùn)動(dòng)過(guò)程中的位移，充分考慮了運(yùn)動(dòng)目標(biāo)的外觀特征和運(yùn)動(dòng)特征。視覺(jué)跟蹤方法通常被分為生成方法和模板方法兩類，本文所提方法主要是基于模板的方法。稀疏表示中的瑣碎模板被用來(lái)抑制環(huán)境中發(fā)生的遮擋問(wèn)題[4]，它已經(jīng)被證明當(dāng)遮擋存在時(shí)具有一定的可行性[5]，只在每一列設(shè)置一個(gè)非零項(xiàng)。我們提出的方法中，利用了這一方法，同時(shí)將其應(yīng)用在模板更新的過(guò)程中，與改進(jìn)的學(xué)習(xí)策略共同完成模板更新過(guò)程。改進(jìn)的學(xué)習(xí)方法主要基于源模板的思想，它主要是通過(guò)求解遞增的奇異值分解問(wèn)題（SVD）完成的。這一點(diǎn)不同于以往的運(yùn)動(dòng)目標(biāo)更新方法。在跟蹤過(guò)程中，我們通過(guò)貝葉斯運(yùn)動(dòng)估計(jì)來(lái)選擇最終的最優(yōu)目標(biāo)，其中我們提出利用與方向向量對(duì)應(yīng)的像素點(diǎn)對(duì)觀測(cè)值進(jìn)行懲罰以充分利用運(yùn)動(dòng)目標(biāo)的方向趨勢(shì)。

與現(xiàn)有的方法相比，本文的貢獻(xiàn)主要有以下兩個(gè)方面：（1）我們提出利用方向向量補(bǔ)償初始化粒子，并對(duì)其他不與方向粒子對(duì)應(yīng)的觀測(cè)值進(jìn)行懲罰，以提高跟蹤的準(zhǔn)確性;（2）基于所提出的源模板的思想，通過(guò)學(xué)習(xí)已有跟蹤結(jié)果對(duì)模板進(jìn)行更新，排除了噪聲及其他干擾對(duì)模板更新造成的模板退化現(xiàn)象。本文的結(jié)構(gòu)安排如下：第二部分總結(jié)了相關(guān)的研究工作，第三部分簡(jiǎn)單回顧了稀疏表示方法。最后，在第四部分對(duì)全文做出了總結(jié)。

1 相關(guān)工作

很多當(dāng)前的視覺(jué)跟蹤方法通過(guò)分析目標(biāo)物體的外觀進(jìn)行跟蹤，例如亮度，顏色和紋理等。事實(shí)上，運(yùn)動(dòng)信息對(duì)視頻序列中的運(yùn)動(dòng)目標(biāo)跟蹤具有重要的意義。Sundberg等人[5]證明了將低維運(yùn)動(dòng)與光流結(jié)合起來(lái)對(duì)跟蹤過(guò)程中出現(xiàn)的遮擋具有很好地避免效果。其中，光流估計(jì)最初是基于完全可見(jiàn)的假設(shè)，對(duì)朗伯特傳感器表面進(jìn)行的公式化[4]，同時(shí)也是機(jī)器視覺(jué)領(lǐng)域里首先被研究的問(wèn)題之一。隨后，Santner等人[11]提出將稠密光流與men shift方法結(jié)合起來(lái)完成跟蹤任務(wù)。盡管作者利用了速率較快的mean shift用于跟蹤，但是稠密光流蘇案發(fā)仍然迫使整個(gè)算法很慢。為了達(dá)到在線跟蹤的目的，Spruye等熱[7]提出利用稀疏光流進(jìn)行目標(biāo)跟蹤，其中主要在特征檢測(cè)階段利用FAST算法來(lái)代替原始的角點(diǎn)檢測(cè)方法，而且達(dá)到了提高速率的效果，但是，這種模型只適合于小位移的運(yùn)動(dòng)物體，這主要是受到泰勒展開(kāi)式的限制，而對(duì)于比本地圖像結(jié)構(gòu)更大的位移信息卻不能夠準(zhǔn)確跟蹤。

近來(lái)，稀疏表示方法通過(guò)與現(xiàn)有的跟蹤方法結(jié)合，在視覺(jué)跟蹤領(lǐng)域得到了較好的效果[4]，例如與粒子濾波結(jié)合的跟蹤方法[6]或者貝葉斯運(yùn)動(dòng)估計(jì)相結(jié)合的跟蹤方法。Wright等人[4]利用稀疏表示來(lái)識(shí)別人臉，并成功跟蹤了人臉的運(yùn)動(dòng)變化。接著，Mei等人利用I1最小化對(duì)該方法進(jìn)行改進(jìn)，并將其應(yīng)用到視覺(jué)跟蹤中。大量的方法證明了稀疏表示在視覺(jué)跟蹤領(lǐng)域的有效性和準(zhǔn)確性。為了提高跟蹤算法在不同挑戰(zhàn)中的魯棒性，Bao等人[8]則提出了一種L1最小化方法與錦緞加速梯度相結(jié)合的跟蹤方法，但是，這種方法仍然對(duì)光照變化比較敏感。

2 兩種表示方法

2.1 稀疏表示方法

現(xiàn)有的稀疏表示方法在實(shí)現(xiàn)時(shí)，一般采用獨(dú)立同分布采樣策略。首先，根據(jù)零均值高斯分布，以上一幀運(yùn)動(dòng)目標(biāo)的狀態(tài)為中心進(jìn)行隨機(jī)采樣，得到初始化粒子，[X=[x1，x2，…，xn]]。X中的每一列服從[Rd]。對(duì)于一個(gè)序列的第一幀，目標(biāo)狀態(tài)通過(guò)手動(dòng)標(biāo)出。初始模板集合為[T=[t1，t2，…，tm]∈Rd×m（d>>m）]，包含了n個(gè)目標(biāo)模板，其中[ti∈Rd]，每一個(gè)模板圖像列即為一個(gè)一維的向量。觀測(cè)值可以表示為：

2.2? Lucas-Kanade方法

3 總結(jié)

本文提出了一種基于方向向量和稀疏表示的運(yùn)動(dòng)目標(biāo)跟蹤算法。所提方法明確的討論了方向向量的影響，并利用它改進(jìn)了稀疏表示方法，在貝葉斯運(yùn)動(dòng)估計(jì)框架下完成了目標(biāo)跟蹤。通過(guò)補(bǔ)償和懲罰不同的候選粒子，所提算法降低了稀疏構(gòu)建的誤差，同時(shí)提高了方向向量對(duì)應(yīng)的觀測(cè)粒子被選為跟蹤結(jié)果的可能性。模板更新策略提高了跟蹤方法的性能，避免了模板退化的現(xiàn)象。在后續(xù)的工作中，我們將擴(kuò)展所提算法，以解決其他的視覺(jué)問(wèn)題，并考慮更多的特征以描述運(yùn)動(dòng)目標(biāo)。

參考文獻(xiàn)：

[1] Wu Y， Lim J， Yang M H.Online object tracking： A benchmark. Proc. Conf. Comput. Vision Pattern Recogn.， Portland， USA， 2013：2411-2418.

[2] Li X， Hu W， Shen C， et al.A survey of appearance models in visual object tracking. ACM Trans. Intell. Syst. Tec.， 2013，4，（4）：1-38.

[3] [Smeulders A W M，Chu D M，Cucchiara R，et al. Visual tracking： an experimental survey[J].IEEE Transac-tions on Pattern Analysis and Machine Intelligence，2014，36（7） ： 1442-1468.

[4] Wright J， Yang A Y， Ganesh A， et al.Robust face recognition via sparse representation.IEEE Trans. Pattern Anal. Mach. Intell，2009，31（2）：210-227.

[5] Sundberg P， Brox T， Maire M，et al. Occlusion boundary detection and figure/ground assignment from optical flow. Proc. Conf. Comput. Vision Pattern Recogn.. Colorado， Springs， USA， 2011：2233-2240.

[6] Wang Y， Wang X， Wan W.Object tracking with sparse representation and annealed particle filter. Pro. Inter. Conf. Image and Graphics， Qingdao， China， Jul.2013：374-379.

[7] Zhang D， Yang M， Feng X.Sparse representation or collaborative representation： Which helps face recognition？. Proc. Int. Conf. Comp. Vision， Barcelona， Spain， Nov. 2011：471-478.

[8] Bao C， Wu Y， Ling H， et al.Real time robust l1 tracker using accelerated proximal gradient approach. Proc. Conf. Comput. Vision Pattern Recogn.， Providence， Rhode Island， Jun. 2012：1830-1837.

【通聯(lián)編輯：唐一東】