一种基于压缩域的实时跟踪改进算法_最终版.docVIP

1 概述 目标跟踪在计算机视觉领域得到了广泛的研究，主要是因为它在很多应用中起到了非常重要的作用，如安防监控、视频检索、智能交通和人机交互等[1,2]。尽管大量的跟踪算法被提出，但目标跟踪仍然是一个具有挑战性的问题，人体的外观容易因为受到光照、姿态、遮挡和运动等的影响而改变。一种有效的外观模型是跟踪算法中位于首要位置的，并且在近些年受到了极大的关注[3,4,5,6,7]。 大部分的跟踪算法是基于外观特征模板的，即先离线或在线学习一个外观模型来描述目标，然后使用该模型在图像区域进行有哪些信誉好的足球投注网站，寻找与外观模型最相似的目标[3,4,5,8]。然而，文献[3]中离线学习的外观模型很难自适应目标外观的变化。文献[4,5,8]中的在线学习虽然能适应目标外观的变化，但是没有考虑背景信息，而这些被丢弃的背景信息很可能提高跟踪的稳定性和准确性。 另一类跟踪算法则将跟踪问题视为二分类问题，即将目标从其背景中分离开来[6,7,9]，这类方法也称作tracking-by-detection，也就是通过检测来进行跟踪。该方法是首先使用在当前帧中提取的样本在线训练一个分类器，然后在下一帧中使用滑动窗口在上一帧的目标周围提取目标样本，接着用前面训练的分类器对这些样本进行分类，最后选取分类值最大的样本位置作为当前帧中的目标位置。文献[6,7]在更新分类器时仅使用一个正样本和一些负样本。由于外观模型的更新会受到噪声和潜在非目标样本的影响，因此可能导致漂移现象。文献[9]则将多示例学习融合到在线跟踪中，使用多个正样本和负样本对分类器进行在线更新。然而，这种多示例学习的速度并不能达到实时的要求。 文献[10]提出了一种有效和高效的基于压缩域的实时跟踪算法，该算法兼具了上述两种跟踪算法的特点，即学习了基于特征模板的描述模型，同时使用这些特征通过朴素贝叶斯分类器将目标从背景中分离出来。该算法中基于特征的外观模型是在压缩域中提取的，特征的选择是在基于压缩感知理论[11,12]的多尺度图像特征空间中通过一个信息保留和非适应性稀疏测量矩阵降维而提取的。该方法将图像特征空间投影到一个低维的压缩空间，极大地提高了计算速度，达到了实时跟踪的效果。然而，该算法通过朴素贝叶斯分类器对当前跟踪目标在下一帧中的位置进行判断，由于贝叶斯分类器得到的最终跟踪目标只是与目标最相似且同时与背景最不相似的样本，故最终得到的位置不一定是最佳的目标位置。如果跟踪位置不精确，外观模型将在非准确的目标位置周围提取正样本和负样本来更新分类器，这样长时间跟踪后，将降低分类器的区分能力，并且可能导致漂移。 本文在文献[10]的基础上，提出了一种基于局部区域相似度匹配的改进算法。充分利用视频帧间候选目标局部区域的相似性，使在不受突变背景影 响的基础上，在线实时寻找最佳跟踪位置。即在原跟踪算法得到的结果上再使用一次目标外观模型，在小区域范围内进行有哪些信誉好的足球投注网站，通过归一化互相关系数寻找更精确的目标位置。改进后的跟踪算法在目标不出现长时间的形变下，较大程度地提高了跟踪的准确性。 论文内容主要包括四个部分。第二部分详细分析了基于压缩域跟踪算法的原理。第三部分具体描述了本文提出的改进方法。第四部分以多种跟踪测试视频为实验对象，对比了改进前后的跟踪结果，并对实验结果进行了分析讨论说明。最后对全文进行了总结，并给出了进一步的改进思路。 2 基于压缩域的实时跟踪算法 2.1 算法原理依据 基于压缩域的实时跟踪算法[10]首先利用符合压缩感知RIP[13](restricted isometry property)条件的稀疏测量矩阵对原图像的多尺度图像特征空间做投影，得到一个低维压缩子空间，该低维压缩子空间可以很好的保留高维图像特征空间的结构信息。其次，使用稀疏测量矩阵去提取目标和背景的特征，作为在线学习更新朴素贝叶斯分类器的正样本和负样本。最后使用更新后的分类器去分类下一帧图像中的目标与背景样本。该算法利用随机投影的降维办法，在保持目标图像特征空间结构不变的基础上极大地提高了基于检测方式的目标跟踪算法的速度，同时在一定程度上可应对由遮挡、光照和姿态变化、运动模糊等因素所带来的影响。 2.2 算法原理细节 图1给出了基于压缩域实时跟踪算法中第一帧的处理流程。该算法中目标位置是事先给定的(如 图1 第一帧的处理流程(图中的数字表示的是先后顺序) 图1中第一帧图片中的白色矩形框)，其中由目标的左上角坐标和目标的宽度以及高度组成。给定跟踪目标后，首先进行的是初始化稀疏测量矩阵()，矩阵的定义如公式1所示。其中是矩阵中的元素，且只有个元素 (1) 是非零的，该算法中设置，这样矩阵中大约只有个()是非零的元素，故每一行只需要计算个实体数(当目标运动很快时，值可增加至6)，这样极大地降低了计算速度以及节省了数据存