劉聃琦

摘 要 如何讓計算機(jī)代替人眼學(xué)會“看”，是一門至關(guān)重要的科學(xué)，這門科學(xué)就是計算機(jī)視覺。作為計算機(jī)視覺中的一項重要任務(wù)，一個熱點(diǎn)之一，目標(biāo)跟蹤具有重要的應(yīng)用價值。影響目標(biāo)穩(wěn)定跟蹤的因素有很多，想在任何影響下都能穩(wěn)定跟蹤在領(lǐng)域內(nèi)是一項重大的挑戰(zhàn)。相關(guān)濾波跟蹤算法具有較高的跟蹤精度以及優(yōu)秀的跟蹤處理速度，然而在目標(biāo)有尺度變化或者受到遮擋時的跟蹤效果不是很理想。針對這兩個問題，本文提出一種基于核相關(guān)濾波并融合HOG特征與SIFT特征的跟蹤算法。該算法能在一定程度上解決目標(biāo)尺度變化劇烈以及短暫遮擋后目標(biāo)框漂移的問題。

關(guān)鍵詞 目標(biāo)跟蹤;相關(guān)濾波;尺度自適應(yīng);抗遮擋;特征融合

1相關(guān)濾波跟蹤原理

1.1 相關(guān)濾波

在信號領(lǐng)域，兩個信號的相似程度稱之為相關(guān)性。將相關(guān)的概念運(yùn)用到跟蹤里，就是得到一個模板跟蹤器，將模板與跟蹤目標(biāo)進(jìn)行相關(guān)檢測，最終得到最相關(guān)的目標(biāo)區(qū)域完成跟蹤[1]。

1.2 核相關(guān)濾波

實際問題大多都是非線性回歸問題，直接求解非線性問題非常困難，所以經(jīng)常使用非線性變換將現(xiàn)實中的這類問題轉(zhuǎn)化為核空間的線性問題來簡化。這個非線性變換可以用一個變換函數(shù)來實現(xiàn)將低維空間映射到高維核空間。

核相關(guān)濾波跟蹤算法首先對第一幀圖像提取HOG特征進(jìn)行建模，再將目標(biāo)樣本循環(huán)采樣構(gòu)成樣本循環(huán)矩陣，用所得到的樣本與期望響應(yīng)進(jìn)行訓(xùn)練得到核相關(guān)濾波器，最后用濾波器對后續(xù)目標(biāo)幀進(jìn)行核相關(guān)運(yùn)算得到目標(biāo)響應(yīng)圖。

1.3 缺陷分析

當(dāng)目標(biāo)有明顯尺度變化情況，或者目標(biāo)被遮擋時，會影響到模板更新，也會造成目標(biāo)框漂移跟蹤不穩(wěn)定的問題。

采用的特征是單一的HOG特征，依賴跟蹤目標(biāo)的空間布局，不適應(yīng)目標(biāo)形變。

2結(jié)合SIFT的核相關(guān)濾波算法

SIFT特征是一種穩(wěn)定的特征描述。本文融合SIFT特征對運(yùn)動目標(biāo)跟蹤算法進(jìn)行優(yōu)化。

2.1 SIFT算法概述

SIFT特征對圖像的旋轉(zhuǎn)、縮放、亮度變化都有適應(yīng)能力，在視角變化、仿射變換、噪音等影響因素下也能保持特征描述的穩(wěn)定性。

SIFT特征信息特征庫豐富，能進(jìn)行快速準(zhǔn)確的匹配達(dá)到實時性。SIFT特征描述量大，可以很方便地與其他特征向量進(jìn)行匹配[2]。

2.2 SIFT算法理論基礎(chǔ)

（1）高斯尺度空間

圖像的模糊程度可以模擬視網(wǎng)膜對于不同距離物體的成像效果。人距離物體越近其尺寸越大，圖像也越模糊，這就是高斯尺度空間。

稱為尺度空間因子，其值越大圖像越模糊，對應(yīng)的尺度越大。代表圖像的高斯尺度空間。

（2）空間極值檢測

每個像素點(diǎn)要和同一尺度空間和相鄰尺度空間的相鄰點(diǎn)進(jìn)行比較。該點(diǎn)要與3*3鄰域內(nèi)的三個尺度空間的相鄰點(diǎn)作比較，共26個像素點(diǎn)。

（3）求取特征點(diǎn)主方向

計算以特征點(diǎn)為中心，每個點(diǎn)的梯度的模以及方向可通過下面公式求得：

梯度方向的直方圖橫坐標(biāo)為梯度方向的角度，縱坐標(biāo)為對應(yīng)方向梯度幅值的累加，直方圖的峰值則為特征點(diǎn)主方向。

（4）特征描述

關(guān)鍵點(diǎn)旋轉(zhuǎn)后以主方向為中心取16*16的鄰域點(diǎn)，每個像素都表示為一個幅值和一個方向，最后利用高斯窗口對每4*4進(jìn)行加權(quán)運(yùn)算得到16個描述子來描述特征，每個描述子有8個方向的梯度信息，最后產(chǎn)生128維的特征描述向量。

2.3 算法綜述

本文提出一種基于核相關(guān)濾波并融合SIFT特征的運(yùn)動目標(biāo)跟蹤算法。首先，保持運(yùn)用HOG特征對第一幀圖像的目標(biāo)區(qū)域進(jìn)行特征描述，對目標(biāo)圖像進(jìn)行循環(huán)采樣，得到的樣本再與所框選目標(biāo)的期望響應(yīng)進(jìn)行訓(xùn)練得到相關(guān)濾波模板;運(yùn)用該模板對下一幀圖像進(jìn)行最大響應(yīng)跟蹤并更新模板參數(shù);當(dāng)目標(biāo)受到遮擋或者尺度變化過大時，停止更新模板并提取目標(biāo)區(qū)域的SIFT特征，直至遮擋結(jié)束或者目標(biāo)恢復(fù)，利用SIFT特征找到丟失的目標(biāo)，再恢復(fù)原利用HOG特征的相關(guān)濾波進(jìn)程繼續(xù)跟蹤[3]。

參考文獻(xiàn)

[1] Henriques J. F.，Caseiro R.，Martins P.，et al. Exploiting the circulant structure of tracking-by-detection with kernels[C]. European conference on computer vision. Springer Berlin Heidelberg，2012：702-715.

[2] Henriques J. F.，Caseiro R.，Martins P.，et al. High-speed tracking with kernelized correlation filters[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2015，37（3）：583-596.

[3] 吳昭童.基于相關(guān)濾波的目標(biāo)穩(wěn)定跟蹤技術(shù)研究[D].北京：中國科學(xué)院大學(xué)，2019.