一種基于模糊結構化SVM的目標跟蹤算法?

孫子文 夏 良

（中國人民解放軍陸軍炮兵防空兵學院信息工程系 合肥 230031）

1 引言

目標跟蹤目前在視頻監控、車輛導航、人機交互、智能交通、運動分析和姿態估計等民用領域，以及視覺制導、目標定位和火力控制等軍事領域均有重要的應用價值。近年來，雖然目標跟蹤有了較大發展，但是其仍然面臨復雜背景、目標變化和快速運動等諸多難題，目前仍是具有挑戰性的工作，是計算機視覺領域中研究的熱點問題。

目前，目標跟蹤領域中的研究者已經提出了出眾多目標跟蹤方法，其核心組件是表觀模型，包括產生式模型和判別式模型兩類，與其相應的目標跟蹤方法分別稱為產生式跟蹤和判別式跟蹤。產生式跟蹤僅僅使用目標表觀特征跟蹤目標，其比較有代表性的方法有IVT跟蹤［1］、L1跟蹤［2］。判別式跟蹤把目標跟蹤看作二分類問題，它不但利用目標表觀信息而且也利用目標的背景信息，對復雜背景表現更為魯棒，在視覺跟蹤中逐漸占據了主流地位。其比較有代表性的方法有MIL跟蹤［3］、TLD跟蹤［4］、隨機森林跟蹤［5］、基于SVM跟蹤［6］、相關濾波跟蹤［7］和深度跟蹤［8］。

近些年，基于結構化SVM的目標跟蹤由于其優異的性能而受到了廣泛關注。但是通過對其采樣過程的實驗分析發現，大多數的采樣框與目標框的中心距離較遠，且重疊的面積較少或者沒有。少部分的采樣框與目標框的中心距離較近，且重疊的面積較大。因此通過實驗分析可知，基于結構化SVM的目標跟蹤中存在著采樣樣本不均衡的問題。針對存在的這個問題，本文以現有的結構化SVM跟蹤算法為基礎，提出了一種基于模糊結構化SVM的目標跟蹤模型，對每個不同的采樣樣本施加于相應的重要度，并基于對偶坐標下降原理對模型進行求解，實驗結果顯示相較于基準跟蹤器DLSSVM［9］跟蹤算法，在精確率和成功率兩個指標上均有明顯的提高。

2 背景知識

2.1 模糊支持向量機

Lin等提出用模糊支持向量機［10］進行分類，即選擇一個適當的隸屬度函數，根據隸屬度函數得到每個訓練樣本點(xi,yi)的隸屬度值ui( )0＜ui≤1 ，ui即表示樣本xi對類別yi的從屬程度。于是訓練集就變成了模糊化訓練樣本集S={( xi,yi,ui),i=1,2,...,N } 。其中，xi∈RN是訓練樣本集，yi∈{- 1,+1}是樣本標簽，0＜ui≤1是模糊隸屬度函數取值范圍。則求解最優超平面的優化問題則變為

其中，C為懲罰因子且滿足C＞0；ξi表示松弛變量。

由式（1）可以看出，每個樣本點xi所對應的模糊隸屬度ui被嵌入了目標函數當中。因此，C·ui表示對錯分點的重視程度，C·ui越小，則損失參數ξi對目標函數值的影響越小，樣本點xi越不重要。相反，C·ui越大，對應樣本越重要，xi被錯分的概率就越小。由此可知，應盡可能減小噪聲點或孤立點的C·ui值，減小此類樣本點對分類超平面的影響。

2.2 結構化SVM模型

受到結構化SVM在目標檢測中應用的啟發，2011年Hare等［11］提出了基于結構化SVM的目標跟蹤Struck。Struck把目標跟蹤看作結構化學習問題，避免了傳統判別式跟蹤的中間分類環節，顯著提高了目標跟蹤的性能。在利用結構化學習器進行預測時，其目標是預測給定樣本x∈Rd的結構化輸出y∈Y，其中Y可以是任意結構輸出空間。在基于結構化SVM的目標跟蹤中，Y是矩形框空間，它的任一元素用（x，y，w，h）表示，其中（x，y）表示矩形框的中心位置，w和h分別表示矩形框的寬和高。假設訓練數據為表示矩形框y在圖像x上的特征向量，則可以通過式（3）學習一個參數為w的分類器。

3 一種基于模糊結構化SVM目標跟蹤方法

3.1 基于模糊結構化SVM模型

本文針對存在的采樣樣本不均衡問題，提出一種基于模糊結構化SVM模型，該模型描述如下：

其中，C、ξi、Ψi(y)和 L(yi,y)的含義如式（4）中所示，ui在此表示采樣樣本的重要程度，ui越大表示樣本重要程度越高，對其分錯的懲罰系數也就越大。ui越小表示樣本重要程度越低，對其分錯的懲罰系數也就越小。

3.2 樣本重要度的設計計算

在目標周圍進行采樣的過程中，所得到采樣框均勻地分布在目標框的周圍，本文根據兩方面設計采樣樣本的重要度函數，一方面根據樣本框中心點與目標框中心點之間的距離設計，另一方面根據樣本框與目標框的重疊度進行設計。

3.3 基于模糊結構化SVM算法

4 實驗結果與分析

表1給出了本文方法、DLSSVM和Struck等三種基于結構化SVM跟蹤器在OTB100［12］數據集上的OPE性能指標比較結果。從表1可以看出，在Precision和Success兩項指標上，本文提出的方法均明顯優于其它跟蹤器。由表1中的比較結果可以看出：本文方法不僅在性能上有明顯提升，而且對目標跟蹤速度幾乎沒有影響。

表2給出了本文方法與基準跟蹤器DLSSVM在不同挑戰性視頻中的比較結果。由表2可以看出，本文方法在背景混雜、目標形變、遮擋和運動模糊等挑戰性視頻中均有顯著提升，這一結果表明了本文方法的有效性。

表1 三種基于結構化SVM的跟蹤器在OTB100數據集上的OPE性能與速度指標

表2 本文方法與基準跟蹤器DLSSVM在不同屬性視頻中的表現比較

5 結語

基于結構化SVM的目標跟蹤中存在著采樣樣本不均衡的問題。針對這個問題，本文以現有的結構化SVM跟蹤算法為基礎，提出了一種基于模糊結構化SVM的目標跟蹤模型，對每個采樣樣本施加于相應的重要度，并基于對偶坐標下降原理對模型進行求解。實驗結果顯示相較于基準跟蹤器DLSSVM跟蹤算法，在精確率和成功率兩個指標上均有明顯的提高，在背景混雜、目標形變、遮擋和運動模糊等屬性視頻中跟蹤性能提升明顯。