摘 要：從監(jiān)控視頻場(chǎng)景中提取出運(yùn)動(dòng)對(duì)象，對(duì)于后續(xù)場(chǎng)景理解、語(yǔ)義分析、智能處理有著重要的意義。提取運(yùn)動(dòng)對(duì)象有檢測(cè)、跟蹤等多種手段，本文提出一種基于壓縮感知的監(jiān)控視頻運(yùn)動(dòng)對(duì)象提取算法，將視頻數(shù)據(jù)分解為稀疏和低秩分量，實(shí)驗(yàn)表明算法的有效性。

關(guān)鍵詞：壓縮感知；運(yùn)動(dòng)對(duì)象；提取

中圖分類(lèi)號(hào)：TP391.41

運(yùn)動(dòng)對(duì)象的提取可以通過(guò)檢測(cè)、跟蹤等方法來(lái)實(shí)現(xiàn)，是計(jì)算機(jī)視覺(jué)領(lǐng)域具有挑戰(zhàn)性的研究任務(wù)之一，由于場(chǎng)景中對(duì)象的外形和運(yùn)動(dòng)特點(diǎn)經(jīng)常發(fā)生突變，使得實(shí)現(xiàn)魯棒的跟蹤算法極其困難。影響跟蹤的主要因素有遮擋、對(duì)象姿態(tài)、亮度及運(yùn)動(dòng)狀態(tài)的變化等，要能同時(shí)處理所有的這些變化，跟蹤方法通常需要具備復(fù)雜的觀察、運(yùn)動(dòng)模型及有效的跟蹤模型。

外觀模型用于評(píng)價(jià)候選狀態(tài)是否是真實(shí)目標(biāo)狀態(tài)的可能性并選擇最佳候選狀態(tài)作為當(dāng)前幀的跟蹤結(jié)果，其對(duì)于實(shí)現(xiàn)正確的跟蹤十分重要，根據(jù)所使用的外觀模型，通常可將跟蹤算法分為產(chǎn)生式和辨別式兩種。產(chǎn)生式跟蹤算法先通過(guò)建立模型來(lái)表達(dá)目標(biāo)對(duì)象，如用特征空間、線性子空間仿射形變，自適應(yīng)低維子空間等表示方法，再使用該模型搜索具有最小重構(gòu)誤差的圖像區(qū)域；辨別式跟蹤算法把跟蹤問(wèn)題視為二值分類(lèi)任務(wù)，尋找從背景中分離目標(biāo)對(duì)象的邊界，稀疏貝葉斯學(xué)習(xí)、在線多實(shí)例學(xué)習(xí)等方法被用來(lái)處理跟蹤過(guò)程中出現(xiàn)的遮擋、嚴(yán)重形變等復(fù)雜情況，從而實(shí)現(xiàn)對(duì)象的可靠跟蹤。

運(yùn)動(dòng)模型用于預(yù)測(cè)目標(biāo)隨著時(shí)間最有可能的運(yùn)動(dòng)，為跟蹤器提供多個(gè)候選狀態(tài)，典型的運(yùn)動(dòng)模型有粒子濾波或卡爾曼濾波。粒子濾波基于蒙特卡洛方法（Monte Carlo methods），它是利用粒子集來(lái)表示概率，可以用在任何形式的狀態(tài)空間模型上。其核心思想是通過(guò)從后驗(yàn)概率中抽取的隨機(jī)狀態(tài)粒子來(lái)表達(dá)其分布，是一種順序重要性采樣法（Sequential Importance Sampling）。

基本的跟蹤器可以把一對(duì)基本的觀察模型和運(yùn)動(dòng)模型構(gòu)建為一個(gè)馬爾可夫鏈模型，用來(lái)產(chǎn)生估計(jì)最大后驗(yàn)概率的狀態(tài)抽樣。多個(gè)基本的跟蹤器交換信息可以實(shí)現(xiàn)這些模型彼此間信息融合，例如使用交互式馬爾可夫鏈蒙特卡洛來(lái)實(shí)現(xiàn)多個(gè)跟蹤模型間的并行與交互。本文提出一種基于壓縮感知的監(jiān)控視頻運(yùn)動(dòng)對(duì)象提取算法。

1 問(wèn)題構(gòu)造

與圖像顯著性檢測(cè)不同，視頻中的運(yùn)動(dòng)區(qū)域更吸引人的注意力，視頻顯著性區(qū)域不是每一單獨(dú)幀中具有較大對(duì)比度的區(qū)域。由于相鄰幀的相關(guān)性，視頻中的運(yùn)動(dòng)區(qū)域能通過(guò)低秩和稀疏分解從背景中分離出來(lái)。前景運(yùn)動(dòng)對(duì)象，例如汽車(chē)、行人通常占圖像像素的一小部分，因此可視為稀疏誤差。記視頻沿X-T和Y-T的時(shí)片為矩陣S，很自然地，低秩分量對(duì)應(yīng)為背景，稀疏分量對(duì)應(yīng)前景運(yùn)動(dòng)對(duì)象。

2 分解

沿X-T和Y-T的時(shí)片S分解如下：

3 優(yōu)化

考慮到屬于同一運(yùn)動(dòng)對(duì)象的像素具有局部相關(guān)性，為了減少提取的運(yùn)動(dòng)對(duì)象上丟失像素，我們擬利用空間信息來(lái)對(duì)上一步驟得到的結(jié)果進(jìn)行優(yōu)化。也就是說(shuō)像素Pi，j，k可能被認(rèn)為不是運(yùn)動(dòng)對(duì)象，而它相鄰像素均為運(yùn)動(dòng)顯著性像素，我們用以下方法來(lái)恢復(fù)像素Pi，j，k的顯著性：

以Pi，j為中心的半徑為 的局部區(qū)域進(jìn)行上式運(yùn)算，‖*‖2為?2范式，f為高斯函數(shù)， 。

4 實(shí)驗(yàn)

前面的過(guò)程不可避免引入部分噪音，也就是絕對(duì)值小于一定閥值的顯著像素值本應(yīng)屬于背景，為了處理這一問(wèn)題，我們采用自適應(yīng)閥值選擇步驟來(lái)排除噪音。假定Scube中的像素顯著性值滿足高斯分布（μ，σ），因此，我們自適應(yīng)選取Tglobal=μ+σ作為閥值：

事實(shí)上，相對(duì)較小的區(qū)域在實(shí)現(xiàn)過(guò)程中被篩選掉了，因?yàn)槿搜塾X(jué)察到太小的運(yùn)動(dòng)對(duì)象較為困難。

參考文獻(xiàn)：

[1]C.Liu.Beyond Pixels：Exploring New Representations and Applications for Motion Analysis[J].Doctoral Thesis.Massachusetts Institute of Technology，2009.

[2]Fan Yang，Huchuan Lu，Ming-Hsuan Yang.Robust Visual Tracking via Multiple Kernel Boosting With Affinity Constraints[J].IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY，2014.

[3]Qing Wang，F(xiàn)eng Chen，Wenli Xu，Ming-Hsuan Yang.Object Tracking via Partial Least Squares Analysis[J].IEEE TRANSACTIONS ON IMAGE PROCESSING，2012.

[4]Hae Jong Seo，Peyman Milanfar.Static and space-time visual saliency detection by self-resemblance[J].Journal of Vision，2009.

作者簡(jiǎn)介：周啟亞（1980-），男，湖南湘鄉(xiāng)人，碩士，研究方向：視頻編碼、視頻分割。

作者單位：湖南鐵路科技職業(yè)技術(shù)學(xué)院，湖南株洲 412006

基金項(xiàng)目：湖南省教育廳資助科研項(xiàng)目（項(xiàng)目編號(hào)：12C1146）。