楊亞男 付春玲

摘 要：本文介紹了視頻目標跟蹤算法及其研究進展。首先給出了視頻目標跟蹤技術的定義和特點；然后將其分為生成式跟蹤算法和判別式跟蹤算法兩大類，進而簡單評析了兩大類算法中的經(jīng)典方法；最后進行了總結和展望。

關鍵詞：目標跟蹤 生成式跟蹤算法 判別式跟蹤算法

中圖分類號：TP391 文獻標識碼：A 文章編號：1672-3791（2018）01（b）-0014-02

視頻目標跟蹤是對視頻序列中特定的目標進行檢測，以獲取其位置、運動軌跡等信息，從而進行后續(xù)深入的處理與分析[1]。視頻目標跟蹤算法按照跟蹤過程是否包含對目標的檢測，可分為生成式跟蹤算法與判別式跟蹤算法[2]。生成式跟蹤算法首先進行目標檢測，進而對前景目標進行表觀建模，然后按照一定的跟蹤策略估計跟蹤視頻中目標的最優(yōu)位置；判別式跟蹤算法則對視頻中每一幀圖像進行檢測以獲取目標狀態(tài)，因此該方法又被稱為基于檢測的跟蹤方法。

1 生成式跟蹤算法

生成式跟蹤算法按照表觀模型的建立形式分為基于核的算法、基于子空間的算法以及基于稀疏表示的算法[2]。

基于核的算法首先對目標進行表觀建模，進而確定相似性度量策略以實現(xiàn)對目標的定位。該算法適用于非剛體目標跟蹤，利用目標色彩信息的概率密度函數(shù)進行表觀建模，通過Mean Shift理論對運動目標位置進行估計，該方法又稱為Mean Shift跟蹤。Mean Shift算法不需要目標的先驗信息，也不需要對統(tǒng)計參數(shù)進行估計，其利用非參數(shù)化模型處理多模態(tài)的特征空間并進行特征類聚。Mean Shift通過尋找局部極值對目標進行定位，Hu等利用主成分的協(xié)方差矩陣更新目標方向，并使用相關特征值檢測目標的尺度變化，解決了目標尺度及方向的自適應估計問題[2]。

基于子空間算法的關鍵在于對目標特征空間進行表示，構建相關基及其張成的子空間。圖像在機器中的表示形式是一個由大量像素組成的二維數(shù)組，子空間算法在高維圖像矩陣中提取目標特征，壓縮形成低維特征空間[3]?；谧涌臻g算法需要設定準則來確定要保留的圖像信息、低維空間特性等。

基于稀疏表示的方法通常假設跟蹤目標在一個由目標模板所構成的子空間內(nèi)，其跟蹤結果是通過尋求與模板重構誤差最小的候選目標。Mei等通過對重構系數(shù)引入稀疏約束提出一種最小化的跟蹤算法，該算法能較好解決目標遮擋問題，但其計算代價較高[4]。Li等為提高Mei等方法的時效性，將壓縮感知理論引入到跟蹤目標表觀模型建立中，極大提高了算法速度，達到實時跟蹤要求[5]。

2 判別式跟蹤算法

判別式跟蹤方法將視覺目標跟蹤視為尋求跟蹤目標與背景間決策邊界的二分類問題。判別式跟蹤算法可以分為基于在線Boosting的算法、基于支持向量機（SVW）的算法、基于隨機學習的算法以及基于判別分析的算法[2]。

基于在線Boosting跟蹤算法的原理是通過對弱分類器進行重新整合以提升分類性能，其源于Valiant提出的PAC學習模型。該類算法具有較強的判別學習能力，通過自適應選擇區(qū)分性較強的特征，根據(jù)目標的變化自適應地改變分類器完成跟蹤任務。但基于在線Boosting算法沒有考慮到目標特征間的關聯(lián)性，沒有利用不同特征間的互補性，因而造成所選特征具有較大冗余；常見的解決方法是在特征選取組合過程引入加權策略[6]。

基于SVM的跟蹤算法通過在較強分類性能的SVM分類器中引入最大化分類間隔約束，以達到對目標與非目標劃分的目的，最終實現(xiàn)對運動目標的跟蹤。Tian等通過加權融合對多個線性SVM分類器，以建立目標表觀模型，實現(xiàn)復雜場景下的目標跟蹤[7]。

基于隨機學習的跟蹤算法通過融合隨機特征與輸入建立目標的表觀模型，典型案例主要有在線隨機森林、MIForests與隨機樸素貝葉斯等[8]。與基于在線Boosting和基于SVM的方法相比，該算法處理速度更快、效率更高，且易擴展到對多分類問題的處理。但該類算法特征選取時比較隨機，因而應用于不同環(huán)境下，該類方法的跟蹤性能不夠穩(wěn)定。

基于判別分析的跟蹤算法對目標表觀建模的方法是尋找一個具有高類間差異的低維子空間。Lin等將目標與背景的模型均看作高斯分布，提出一種基于增量Fisher的線性判別表觀建模方法，在目標外觀和背景變化的情況下其具有良好的自適應性[9]。

3 其他跟蹤問題

判別式跟蹤算法曾一度成為該領域的研究熱點，但實驗和應用表明，基于兩種跟蹤思的混合式跟蹤算法比單獨使用上述任一種跟蹤算法具有更好的穩(wěn)定性。由于視頻跟蹤環(huán)境的復雜性，在實際應用系統(tǒng)的設計中，由于光照、目標姿態(tài)的改變以及背景遮擋等原因，導致目標的外觀并不是一成不變的，因而建立魯棒性較好的目標外觀模型對跟蹤而言至關重要[10]。在實踐應用中應根據(jù)具體的精度、穩(wěn)健性、計算復雜度和實時性要求等選取適當?shù)慕M合特征以及跟蹤算法[11]。

4 結語

本文對目前常見的視頻目標跟蹤算法進行了簡單評析，并闡述了現(xiàn)存問題的解決方法。目前的研究重點主要集中檢測過程目標特征的選取、跟蹤策略的優(yōu)化、以及多種跟蹤方法的融合和互補。盡管視頻目標跟蹤算法取得了突飛猛進的發(fā)展，但有些成果應用于實際的跟蹤系統(tǒng)還有很長的路需要走。

參考文獻

[1] Smeulders A W M，Chu D M，Cucchiara R， et al.Visual tracking：An experimental survey[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2016，36（7）：1442-1468.

[2] 尹宏鵬，陳波，柴毅，等.基于視覺的目標檢測與跟蹤綜述[J].自動化學報，2016，42（10）：1466-1489.

[3] 黃靜茹.基于子空間表示的視頻目標跟蹤算法的研究[D].合肥工業(yè)大學，2015.

[4] Mei X，Ling H B. Robust visual tracking using l（1）minimization[A].In：Proceedings of the 12th IEEE International Conference on Computer Vision.Kyoto，Japan：IEEE[C].2009.

[5] Li H，Shen C，Shi Q.Real-time visual tracking using compressive sensing[A].Computer Vision and Pattern Recognition[C].IEEE，2011.

[6] 沈丁成，薛彥兵，張樺，等.一種魯棒的基于在線boosting目標跟蹤算法研究[J].光電子·激光，2013（1）：170-175.

[7] Tian M， Zhang W，Liu F.On-line ensemble SVM for robust object tracking[J]. AsianConference on Computer Vision. Springer-Verlag，2007：355-364.

[8] Breiman L.Random forests[J].Machine Learning，2001，45（1）：25-32.

[9] Nguyen H T，Smeulders A W.Robust Tracking Using Foreground-Background Texture Discrimination[J].International Journal of Computer Vision，2006，69（3）：277-293.

[10]蔡榮太，吳元昊，王明佳，等.視頻目標跟蹤算法綜述[J]. 電視技術，2010，34（12）：135-138.

[11]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，2013，40（s1）：204-209.