周旭+馬玉良

摘要：針對(duì)單一的跟蹤算法難以適應(yīng)復(fù)雜多變的環(huán)境，提出一種融合多種跟蹤算法的方法?？紤]到壓縮跟蹤算法的魯棒性?xún)?yōu)勢(shì)，和HOG行人檢測(cè)的輪廓檢測(cè)特點(diǎn)，利用算法之間的互補(bǔ)性，根據(jù)貝葉斯決策理論，提出了多算法融合的跟蹤方法。融合過(guò)程中按照分類(lèi)的思想，將圖像中像素點(diǎn)按照其是否包含在跟蹤框內(nèi)分為兩類(lèi)。通過(guò)分析跟蹤目標(biāo)的移動(dòng)范圍，預(yù)測(cè)目標(biāo)的下一位置，求出目標(biāo)出現(xiàn)的先驗(yàn)概率分布。針對(duì)目標(biāo)與環(huán)境的具體情況，調(diào)整每種算法的融合權(quán)值，得到融合后的各個(gè)像素點(diǎn)的類(lèi)條件概率密度，最后根據(jù)貝葉斯決策估算各像素點(diǎn)的所屬類(lèi)別，確定跟蹤框范圍。實(shí)驗(yàn)結(jié)果表明，與單一算法相比，融合后的跟蹤算法有更好的適應(yīng)性和魯棒性。

關(guān)鍵詞：行人跟蹤；壓縮感知；行人檢測(cè)；貝葉斯決策；多方法融合；

中圖分類(lèi)號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2016）21-0265-04

Abstract：A method of integration of various tracking algorithm is proposed， for single tracking algorithm is difficult to adapt to the complex environment. Considering the robustness of compressed tracking algorithm and the characteristics of HOG contour detection， using the complementarities of the two algorithms， the multi-method fusion tracking algorithm is proposed based on Bayesian decision theory. The pixels in the image are divided into two categories according to whether it is included in the track frame. The prior probability distribution of the target is obtained by analyzing the movement and predicting the next position of the target. The class conditional probability density of each pixel is obtained by adjusting the weight of each fusion algorithm. Finally the class of each pixel is estimated and the scope of tracking box is determined based on the Bayesian decision. The experimental results show that， compared with single algorithm， the fused tracking algorithm has better adaptability and robustness.

Key words： pedestrian tracking； compressed sensing；pedestrian detection； Bayesian decision theory； multi method fusion；

1 概述

目標(biāo)跟蹤是計(jì)算機(jī)視覺(jué)中的一個(gè)重要研究方向，在各個(gè)領(lǐng)域都有著廣泛的應(yīng)用前景[1～2]。過(guò)去的幾十年里，人們研究出了許多的跟蹤算法[3～8]。但每一種跟蹤方法都有其自身的適應(yīng)性和局限性，而環(huán)境具有多樣性和多變性，這就使得單一的跟蹤算法很難適用于各種環(huán)境，融合多種算法已是必然趨勢(shì)。圖像處理領(lǐng)域內(nèi)的數(shù)據(jù)融合可分為三個(gè)級(jí)別：像素級(jí)融合、特征級(jí)融合與決策級(jí)融合[3]。研究人員在粒子濾波框架下，提出了大量基于多特征（顏色[6]、紋理、邊緣[9]、灰度、運(yùn)動(dòng)等）融合的跟蹤算法，其主要區(qū)別在于特征提取和融合策略的不同[3～4]。吳等[5]提出的多方法集成，融合了三種算法，實(shí)現(xiàn)了魯棒的目標(biāo)跟蹤，但其并沒(méi)有提出明確的融合策略。

壓縮跟蹤算法[10-12]是目前跟蹤問(wèn)題研究的一個(gè)主流方向，在物體的紋理和光照變化不大的情況下，其跟蹤效果較好。但是，Compressive Tracking算法對(duì)目標(biāo)大小變化的自適應(yīng)性較差。基于HOG的行人檢測(cè)[13]，有效地使用了行人的空間信息。

本文綜合考慮了壓縮跟蹤算法在微觀領(lǐng)域的特點(diǎn)，和HOG行人檢測(cè)在宏觀領(lǐng)域的優(yōu)勢(shì)。利用算法之間的互補(bǔ)性，根據(jù)貝葉斯決策理論，提出了多算法融合的跟蹤方法。實(shí)驗(yàn)結(jié)果證明，與單一的跟蹤算法相比，該算法具有更好的適應(yīng)性和魯棒性。

2 跟蹤算法概述

本文目標(biāo)是構(gòu)建一種在線(xiàn)跟蹤算法，既能夠適應(yīng)目標(biāo)形狀大小的快速變化，又能夠?qū)崿F(xiàn)穩(wěn)定可靠的跟蹤。為實(shí)現(xiàn)跟蹤算法的適應(yīng)性與魯棒性，本文采用了具有互補(bǔ)性的兩種經(jīng)典的跟蹤算法：壓縮感知跟蹤法、基于HOG行人檢測(cè)的跟蹤。壓縮跟蹤算法在物體的紋理和光照變化不大的情況下，其跟蹤效果很好，但對(duì)目標(biāo)大小變化的自適應(yīng)性較差?；贖OG的行人檢測(cè)，有效地使用了行人的空間信息。但時(shí)常會(huì)發(fā)生檢測(cè)錯(cuò)誤或檢測(cè)失敗的情況，所以通常需要結(jié)合其他跟蹤算法才能使用。

具體來(lái)說(shuō)，基于壓縮感知的跟蹤算法[10～11]，首先利用符合壓縮感知RIP條件的隨機(jī)感知矩對(duì)多尺度圖像特征進(jìn)行降維，然后在降維后的特征上采用簡(jiǎn)單的樸素貝葉斯分類(lèi)器進(jìn)行分類(lèi)[12]。但此算法對(duì)目標(biāo)形狀大小變化的自適應(yīng)性較差，行人檢測(cè)恰好可以精確的彌補(bǔ)此缺陷。

在跟蹤目標(biāo)是行人的情況下，基于行人檢測(cè)的行人跟蹤，通?？梢暂^為準(zhǔn)確地找到行人所在的位置，得到不錯(cuò)的跟蹤結(jié)果。不過(guò)時(shí)常會(huì)發(fā)生檢測(cè)錯(cuò)誤或檢測(cè)失敗的情況。跟蹤算法通常是采用這一幀的結(jié)果作為下一幀的輸入，所以當(dāng)跟蹤結(jié)果出現(xiàn)了偏差之后，誤差會(huì)逐漸累加。跟蹤框偏移或跟蹤的范圍發(fā)生改變的情況可能會(huì)發(fā)生，這都將導(dǎo)致跟蹤目標(biāo)的改變，以至于跟蹤出錯(cuò)。

為了避免跟蹤過(guò)程中的“漂移”現(xiàn)象，提高跟蹤的魯棒性。本文使用了貝葉斯決策將兩種跟蹤算法進(jìn)行融合，有效地減少了由于誤差累計(jì)造成的“漂移”，使跟蹤保持適應(yīng)性的同時(shí)又兼顧穩(wěn)定性。

然后預(yù)測(cè)跟蹤目標(biāo)在下一幀中可能出現(xiàn)的位置，由目標(biāo)的預(yù)測(cè)位置求出目標(biāo)在各像素點(diǎn)出現(xiàn)的概率分布，作為貝葉斯決策的先驗(yàn)概率。多種跟蹤算法得到的結(jié)果，根據(jù)融合權(quán)值進(jìn)行結(jié)合，得出類(lèi)條件概率密度。由貝葉斯決策求出后驗(yàn)概率，屬于類(lèi)的像素點(diǎn)集合的最小外接矩形，即為最終計(jì)算得到的跟蹤框。

3.1跟蹤目標(biāo)位置預(yù)測(cè)

在第一幀圖像中，用矩形框圈定一個(gè)區(qū)域作為跟蹤目標(biāo)。之后都使用上一幀圖像的跟蹤結(jié)果為依據(jù)，預(yù)測(cè)跟蹤目標(biāo)在下一幀的可能位置。本文假設(shè)幀間質(zhì)心位置偏移[3]較小，跟蹤目標(biāo)在相鄰幀間的移動(dòng)范圍小于跟蹤框面積的四倍（中心點(diǎn)不變，長(zhǎng)寬各放大二倍）。在此范圍內(nèi)，估計(jì)跟蹤目標(biāo)在下一幀圖像中各個(gè)像素點(diǎn)出現(xiàn)的概率。

如圖2所示，由（a）中的預(yù)測(cè)位置，根據(jù)公式1得到跟蹤目標(biāo)位置的概率分布圖。其中越白的區(qū)域表示跟蹤目標(biāo)出現(xiàn)的概率越大，黑色區(qū)域表示跟蹤目標(biāo)出現(xiàn)概率較低。

3.2融合跟蹤結(jié)果

跟蹤時(shí)，壓縮感知跟蹤算法、與HOG行人檢測(cè)在跟蹤過(guò)程中同時(shí)運(yùn)行，互不影響。直到得到的最終結(jié)果，再作為他們下一幀的輸入。

考慮到跟蹤算法之間的差異性和互補(bǔ)性，合理調(diào)整跟蹤算法的融合權(quán)值。同時(shí)，像素點(diǎn)被越多的跟蹤結(jié)果包含，說(shuō)明其為跟蹤目標(biāo)的可能也就越大。由此得到目標(biāo)狀態(tài)的類(lèi)條件概率密度。

3.3貝葉斯決策

基于上述分析，由目標(biāo)位置預(yù)測(cè)得到的先驗(yàn)概率，和由各跟蹤結(jié)果融合而來(lái)的類(lèi)條件概率密度，利用貝葉斯公式：

4 實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)均在PKU-SVD-B數(shù)據(jù)庫(kù)上進(jìn)行，PKU-SVD-B數(shù)據(jù)庫(kù)由北京大學(xué)視頻編解碼技術(shù)國(guó)家工程實(shí)驗(yàn)室聯(lián)合北京大學(xué)保衛(wèi)部建立并整理，該數(shù)據(jù)集采集自固定在校園某些位置的攝像頭。視頻圖像大小為1280×720像素，幀率為30幀/s。算法在VS2013和Opencv2.4下實(shí)現(xiàn)。

為了說(shuō)明本文方法的有效性，分別對(duì)壓縮感知跟蹤法、基于行人檢測(cè)的跟蹤和本文融合后的跟蹤算法進(jìn)行試驗(yàn)對(duì)比。部分跟蹤結(jié)果分析如圖5、圖6所示。圖5為三種算法跟蹤框的中心點(diǎn)距跟蹤目標(biāo)中心點(diǎn)的距離。行人檢測(cè)在一百多幀時(shí)檢測(cè)失敗，目標(biāo)丟失。壓縮感知算法的跟蹤效果相對(duì)較好，但其在四百幀之后開(kāi)始出現(xiàn)偏差。本文算法在三百幀左右，融合結(jié)果出現(xiàn)跳變，但很快又重新鎖定了目標(biāo)；之后本文算法依舊能夠穩(wěn)定跟蹤。

圖6為兩種算法跟蹤框面積偏差比例的比較。由圖可以看出本文算法在融合了行人檢測(cè)后，其對(duì)目標(biāo)大小變化的適應(yīng)性明顯爭(zhēng)強(qiáng)。

5 結(jié)束語(yǔ)

本文考慮到壓縮感知跟蹤算法、與HOG行人檢測(cè)算法之間的差異性與互補(bǔ)性，提出了多方法融合的跟蹤算法。通過(guò)采用HOG行人檢測(cè)算法，提高了跟蹤的外觀變化的適應(yīng)能力。同時(shí)，位置預(yù)測(cè)有效地避免了跟蹤過(guò)程中出現(xiàn)的跳變。實(shí)驗(yàn)表明，相對(duì)于單一算法，對(duì)背景干擾、光照變化、目標(biāo)形狀變化等更具魯棒性。

本文的部分研究工作還有待深入，例如，本文提出了利用貝葉斯決策進(jìn)行多算法融合的方法，選擇不同的算法組合，勢(shì)必會(huì)帶來(lái)不同的效果。實(shí)驗(yàn)中曾融合了光流法和均值漂移跟蹤法，但其跟蹤效果非但沒(méi)有提高反而減弱。所以，哪些算法之間具有互補(bǔ)性，還有待進(jìn)一步論證。

參考文獻(xiàn)：

[1] Viola P， Jones M J， Snow D. Detecting pedestrians using patterns of motion and appearance[C]//Computer Vision， 2003. Proceedings. Ninth IEEE International Conference on. IEEE， 2003： 734-741.

[2] Avidan S. Support vector tracking[J]. Pattern Analysis and Machine Intelligence， IEEE Transactions on， 2004， 26（8）： 1064-1072.

[3] 雍楊， 王敬儒， 張啟衡. 基于多特征融合的弱小運(yùn)動(dòng)目標(biāo)識(shí)別[J]. 量子電子學(xué)報(bào)， 2006， 23（5）： 594-598.

[4] 顧鑫， 王海濤， 汪凌峰， 等. 基于不確定性度量的多特征融合跟蹤[J]. 自動(dòng)化學(xué)報(bào)， 2011， 37（5）： 550-559.

[5] 吳偉， 李斌. 基于多方法集成的目標(biāo)跟蹤算法[J]. 中國(guó)科學(xué)技術(shù)大學(xué)學(xué)報(bào)， 2011， 41（11）： 1000-1005

[6] 沈云琴， 陳秋紅. 自適應(yīng)均值漂移算法目標(biāo)跟蹤檢測(cè)仿真研究[J]. 計(jì)算機(jī)仿真， 2012， 29（4）： 290-292.

[7] Comaniciu D， Ramesh V， Meer P. Kernel-based object tracking[J]. Pattern Analysis and Machine Intelligence， IEEE Transactions on， 2003， 25（5）： 564-577.

[8] 劉小寧， 陳曉冬， 郁道銀. 基于 DSP 的運(yùn)動(dòng)目標(biāo)識(shí)別與跟蹤系統(tǒng)的設(shè)計(jì)[J]. 電視技術(shù)， 2010， 34（11）： 107-110.

[9] 王君本， 盧選民， 賀兆. 一種基于快速魯棒特征的圖像匹配算法[J]. 計(jì)算機(jī)工程與科學(xué)， 2011， 33（2）： 112-117.

[10] Chummun M R， Bar-Shalom Y， Kirubarajan T. Adaptive early-detection ML-PDA estimator for LO targets with EO sensors[J]. Aerospace and Electronic Systems， IEEE Transactions on， 2002， 38（2）： 694-707.

[11] Li H， Shen C， Shi Q. Real-time visual tracking using compressive sensing[C]//Computer Vision and Pattern Recognition （CVPR）， 2011 IEEE Conference on. IEEE， 2011： 1305-1312.

[12] Zhang K， Zhang L， Yang M H. Real-time compressive tracking[M]//Computer Vision–ECCV 2012. Springer Berlin Heidelberg， 2012： 864-877.

[13] 曲永宇， 劉清， 郭建明， 等. 基于 HOG 和顏色特征的行人檢測(cè)[J]. 武漢理工大學(xué)學(xué)報(bào)， 2011， 33（4）： 134-138.