蘆 丹，李臨生，閆慶森，李慧霞，劉瑞珍

(1.太原科技大學(xué)電子信息工程學(xué)院，太原 030024；2.西北工業(yè)大學(xué)計算機學(xué)院，西安 710000)

?

一種基于局部表示的精確跟蹤算法

蘆 丹1，李臨生1，閆慶森2，李慧霞1，劉瑞珍1

(1.太原科技大學(xué)電子信息工程學(xué)院，太原 030024；2.西北工業(yè)大學(xué)計算機學(xué)院，西安 710000)

基于局部表示的精確跟蹤算法，將局部信息引入目標(biāo)跟蹤算法中，有效地改善了遮擋的問題。對每一部分的局部信息進行分類，同時構(gòu)建局部分類器，使分類器的學(xué)習(xí)更加精確。本算法有效地改進了快速壓縮跟蹤算法中出現(xiàn)的部分遮擋等問題，使跟蹤算法更加精確。

壓縮傳感；局部信息表示；目標(biāo)追蹤

目標(biāo)跟蹤[1-4]就是把視頻中每一幀圖像中感興趣的目標(biāo)位置標(biāo)記串聯(lián)出來，是機器視覺的一個重要應(yīng)用方向[5]，是一項融合了圖像處理、模式識別[6]、人工智能[7]、自動控制以及計算機等眾多領(lǐng)域中的先進思想的技術(shù)。目前對于物體的跟蹤應(yīng)用最廣的可以說是視頻監(jiān)控系統(tǒng)和軍事領(lǐng)域，其次的是人機交互界面、娛樂動畫和多媒體及通訊等領(lǐng)域。但是一些客觀因素如復(fù)雜背景、時變背景、部分及全局遮擋會對跟蹤算法的效果改變嚴(yán)重時會跟丟目標(biāo)，因此找到一種能夠從面對復(fù)雜環(huán)境或形變遮擋等不同問題時仍然能夠魯棒、穩(wěn)定、實時地將運動目標(biāo)從背景中檢測分類并提取出的目標(biāo)的跟蹤算法仍然是目前亟待解決的難題。

為了減少這些問題，將稀疏表示和壓縮感知引入跟蹤，有效地提高了跟蹤速度；局部模板可以解決目標(biāo)遮擋時產(chǎn)生的視覺漂移問題可以更精確的描述目標(biāo)；核函數(shù)解決了目標(biāo)和背景相似的問題，改善了因相似引起的漂移問題。壓縮跟蹤算法的最重要的優(yōu)勢是實時性處理。

1 相關(guān)內(nèi)容

1.1 壓縮傳感

壓縮傳感(compressed sensing)[8]是一種投影的理論一種將高維信號到低維空間的投影理論，然后通過求解一個優(yōu)化問題重構(gòu)出原信號，可以減少傳輸、存儲信息的成本。

min‖x‖0s.t.y=Φf=ΦΨx=Θx

(1)

如圖1所示。

圖1 數(shù)學(xué)模型圖Fig.1 Mathematical model

其中維度較高的信號x是由觀測矩陣Φ映射到一個低維度的空間y上。通過求解上式的優(yōu)化問題求得x，來重構(gòu)信號。首先面臨的問題是設(shè)計非自適應(yīng)觀測矩陣Φ確保不要丟失在映射過程中信號有用信息。2006年Tao證明了觀測矩陣滿足有限等距性質(zhì)RIP(Restricted Isometry Property)的話，那么觀測矩陣Θ的列向量幾乎是正交的，即保證存在等距映射常數(shù)δk使得對所有k-稀疏向量x(只有K個非零值或較大值)有：

(2)

這保證了稀疏信號的歐式距離近似不變，提供了從壓縮測量值中高效魯棒恢復(fù)稀疏信號的可能。

1.2 快速壓縮跟蹤

快速壓縮跟蹤[9](FastCompressivetracking)是在2014年由zhangkaihua提出的，利用壓縮感知進行降維壓縮從而提高實時性。

1.2.1 測量矩陣

圖2 x降維過程Fig.2 The process of dimensionality reduction of x

1.2.2 貝葉斯矩陣

對每個樣本z，它的低維表示是v.設(shè)定v中的元素兩兩獨立分布，那么由貝葉斯分類器建立的模型表示如式(3).

(3)

(4)

通過最大化似然估計得到增量更新模型得到的相應(yīng)的分布估計:

(5)

式(5)描述的高斯分布模型是在線更新的，可以較好的估算特征值。

1.2.3 快速變換

通過搜索半徑為γc的Δc像素移動窗口，以之前目標(biāo)位置為基礎(chǔ)搜索目標(biāo)位置。這產(chǎn)生的窗口比局部窮舉搜索法產(chǎn)生的窗口少，所檢測到的對象的位置可能略微不準(zhǔn)確，但接近準(zhǔn)確對象位置。根據(jù)粗檢測的位置，細搜索進行了一個小的搜索半徑γf內(nèi)少數(shù)像素Δf，使目標(biāo)更準(zhǔn)確的被檢測出來。

2 局部表示

基于局部信息[11]有利于獲得未被阻擋的區(qū)域，從而對不同的局部有針對性的做相應(yīng)的處理，可以根據(jù)目標(biāo)是否形變、遮擋等因素做不同的處理，這樣會更精確的描述目標(biāo)，因此在目標(biāo)姿勢改變，變形和局部遮擋時，局部信息更有優(yōu)勢。

2.1 局部信息構(gòu)造

對于一個目標(biāo)，假設(shè)目標(biāo)區(qū)域是一個矩形區(qū)域，(x,y)表示的為目標(biāo)左上角的點，矩形區(qū)域?qū)挒閃，高為H，整個目標(biāo)區(qū)域按照寬一半、高一半進行劃分，則每個局部塊的大小分別為w=W/2、h=H/2，則每個局部目標(biāo)左上角位置可以依次表示為：[xy]、[x+w/2y]、[x+wy]、[xy+h/2]、[x+w/2y+h/2]、[x+wy+h/2]、[xy+h]、[x+w/2y+h]、[x+wy+h].但如果選取w、h較大時抗遮擋能力不是很好，減小w、h時，抗遮擋能力會逐漸變好，但計算量會明顯增大，因此，通常情況下若遮擋不明顯，選取w=W/2、h=H/2，若遮擋明顯選取w=W/3、h=H/3.選取w=W/3、h=H/3時，每個局部目標(biāo)可以左上角位置依次表示為：[xy]、[x+w/2y]、[x+wy]、[x+3w/2y]、[x+2wy]、[xy+h/2]、[x+w/2y+h/2]、[x+wy+h/2]、[x+3w/2y+h/2]、[x+2wy+h/2]、[xy+h]、[x+w/2y+h]、[x+wy+h]、[x+3w/2y+h]、[x+2wy+h]、[xy+3h/2]、[x+w/2y+3h/2]、[x+wy+3h/2]、[x+3w/2y+3h/2]、[x+2wy+3h/2]、[xy+2h]、[x+w/2y+2h]、[x+wy+2h]、[x+3w/2y+2h]、[x+2wy+2h].

左圖為w=W/2，h=H/2，N= 9；右圖為w=W/3，h=H/3，N=25

2.2 局部分類器值

每個局部塊按照FCT的算法計算分類器值，選擇最大的值選定局部目標(biāo)位置，根據(jù)選定的值還原出目標(biāo)位置。

對于N個局部信息一次按照FCT算法計算分類器值，定義為:

(6)

2.3 跟蹤框架

本文用haar-like特征提取特征，用非常稀疏矩陣進行特征壓縮，最后利用樸素貝葉斯分類器進行分類，跟蹤的示意圖如圖4所示。

圖4主要描述了目標(biāo)的跟蹤過程：(a)在第t幀，我們在目標(biāo)周圍以一個較小的擾動采集若干張圖片—正樣本和在較遠的位置采集若干張圖片—負樣本，對每個樣本進行分割局部信息，通過多尺度變換積分求取haar-like特征，但此時的特征為高維特征，由稀疏測量矩陣對高維特征降維，最后將低維特征拿來去訓(xùn)練樸素貝葉斯分類器。(b)在t+1幀，在t珍目標(biāo)周圍掃描窗口采集n個樣本，對其取局部樣本，通過多尺度變換積分求取haar-like特征，降維，用第t幀訓(xùn)練好的樸素貝葉斯分類器對低維特征進行分類，得到的分類數(shù)值最大的位置就認為是目標(biāo)。這一過程展示了從t幀到t+1幀的得到目標(biāo)過程。

圖4 主要跟蹤過程Fig.4 Main tracking process

表1詳細描述了基于局部表示的精確跟蹤算法，如下所示：

表1 跟蹤算法Tab.1 Tracking algorithm

本算法采用由粗到細的滑動窗口進行搜索。通過搜索半徑為γc的Δc像素移動窗口，以之前目標(biāo)位置為基礎(chǔ)搜索目標(biāo)位置。這產(chǎn)生的窗口比局部窮舉搜索法產(chǎn)生的窗口少，所檢測到的對象的位置可能略微不準(zhǔn)確，但接近準(zhǔn)確對象位置。根據(jù)粗檢測的位置，細搜索進行了一個小的搜索半徑γf內(nèi)少數(shù)像素Δf.用來平衡計算效率和處理快速區(qū)域變化引起的外觀變化效率的細搜索過程每五幀更新。

3 算法比較

在實驗中，選取了Faceocc1、Faceocc2 2個挑戰(zhàn)圖像序列來評估本文跟蹤算法的遮擋性能。

本算法和具有代表性的三種流行的跟蹤算法比較性能，包過Meanshift算法[12]，多示例跟蹤[13](MIL)，和快速壓縮跟蹤(FCT)，在實驗過程中，所有算法均選擇相同的目標(biāo)的初始狀態(tài)。

3.1 實驗結(jié)果

本實驗在Matlab上運行結(jié)果如圖5所示。

圖5 不同算法的跟蹤結(jié)果Fig.5 Tracking results with different algorithm

如圖 5 所示是四種不同跟蹤算法的結(jié)果，黃色框為Meanshift算法的結(jié)果，藍色框為MIL 跟蹤算法的結(jié)果，綠色框為FCT 算法的結(jié)果，紅色線框為本文算法的結(jié)果。在FCT中，由于選取的Haar-like特征選取的重要特征，對于遮擋部分可能會未選取到，而本算法中，將目標(biāo)分成空間信息的重疊塊，可以將目標(biāo)遮擋部分識別出來，從而只利用未遮擋部分的特征。因此，對遮擋的目標(biāo)序列更有效。從表2跟蹤成功率表的數(shù)據(jù)看出，本文提出的算法在大部分視頻序列上成功率都較高，但當(dāng)目標(biāo)過小時會失去原有的優(yōu)勢，在大目標(biāo)的跟蹤上表現(xiàn)良好，在標(biāo)準(zhǔn)的視頻測試序列中有較魯棒的效果。

表2 跟蹤成功率Tab.2 Tracking success

4 結(jié)束語

本文提出的這種基于局部表示的精確跟蹤算法，在標(biāo)準(zhǔn)的視頻測試序列中定性定量的評價了跟蹤結(jié)果。在目標(biāo)視頻序列上表現(xiàn)良好，局部稀疏表示的快速目標(biāo)跟蹤算法，有效的處理了局部遮擋等問題，提升分類器性能。實驗表明本文提出的算法具有很好的跟蹤效果是可行的。

[1] YILMAZ A，JAVED O，SHAH M.Object Tracking：A Survey[J].ACM Journal of Computing Surveys，2006，38(4)：1-45.

[2] YANG H，SHAO L，ZHENG F，et al.Recent advances and trends in visual tracking：A review[J].Neurocomputing，2011，74(18)：3823-3831.

[3] 閆慶森，李臨生，徐曉峰，等.視頻跟蹤算法研究綜述[J].計算機科學(xué)，2013，40：204-209.

[4] 張秀琴，陳立潮，潘理虎，等.基于DCT和分塊2D2PCA的人臉識別[J].太原科技大學(xué)學(xué)報，2014，35(5)：333-338.

[5] JAIN R，KASTURI R，SCHUNCK B G.Machine vision[M].New York：McGraw-Hill，1995.

[6] FLUSSER J，SUK T.Pattern recognition by affine moment invariants[J].Pattern recognition，1993，26(1)：167-174.

[7] BHANU B.Automatic target recognition：state of the art survey[J].IEEE Transactions on Aerospace Electronic Systems，1986，22(4)：364-379.

[8] DONOHO D L.Compressed sensing[J].Nformaon Hory Ranaon on，2006，52(4)：1289-1306.

[9] ZHANG K，ZHANG L，YANG M.Fast Compressive Tracking[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2014，36(10)：2002-2015.

[10] DIACONIS P，F(xiàn)REEDMAN D.Asymptotics of graphical projection pursuit[J].Ann of Stat，1984，12(3)：793-815.

[11] LIU B，HUANG J，YANG L，et al.Robust tracking using local sparse appearance model and k-selection[J].Proc CVPR，2011，42(7)：1313-1320.

[12] COMANICIU D，RAMESH V，MEER P.Real-time tracking of non-rigid objects using mean shift[C]∥Computer Vision and Pattern Recognition，2000.Proceedings.IEEE Conference on IEEE，2000：142-149.

[13] BABENKO B，YANG M H，BELONGIE S.Visual tracking with online multiple instance learning[C]∥Computer Vision and Pattern Recognition，2009.CVPR 2009.IEEE Conference on IEEE，2009：983-990.

An Accurate Tracking Algorithm Based on Local Representation

LU Dan，LI Lin-sheng，YAN Qin-shen，LI Hui-xia，LIU Rui-zhen

(School of Electronic Information Engineering，Taiyuan University of Science and Technology，Taiyuan 030024，China)

Based on precise tracking algorithm， the local information was introduced into object tracking algorithm，thus effectively improving the problem of occlusion The local information of each part was classified to build local classifier to learn more accurate classification.This algorithm effectively improves the occlusion problem of fast compression tracking so as to make tracking algorithm more accurate.

compressive sensing，local information，target tracking.

2015-03-26

太原科技大學(xué)研究生科技創(chuàng)新項目(20134030，20134011，20134012)

蘆 丹(1989-)，女，碩士研究生，主要研究方向為智能信息與圖形圖像信息處理、壓縮感知。

1673-2057(2015)06-0411-05

TP391

A

10.3969/j.issn.1673-2057.2015.06.001