基于改进霍夫森林框架的多目标跟踪算法.docxVIP

基于改进霍夫森林框架的多目标跟踪算法 　　摘要：针对单目视觉对多个相似的目标跟踪因遮挡等因素影响而失效的问题，提出一种基于改进霍夫森林框架的多目标跟踪算法。在将多目标跟踪问题归结为基于目标检测的轨迹关联过程基础上，通过引入在线学习霍夫森林框架将轨迹关联计算转化为最大后验概率问题。通过在线采集多目标样本、提取目标外观和运动特征构建霍夫森林，进行森林训练得到轨迹关联概率，从而关联多目标轨迹；而引入低秩逼近Hankel矩阵进行轨迹校验，修复了误匹配的轨迹，改进了在线更新训练样本算法的效能。实验表明，轨迹误匹配率显著改善，能有效提高单目摄像机对多个相似目标有遮挡情况下跟踪的准确性和鲁棒性。　　关键词：多目标跟踪；在线学习；霍夫森林；轨迹关联；Hankel矩阵；相似目标　　中图分类号：　　文献标志码：A　　0引言　　近年来，基于视觉的多目标识别和跟踪成为研究热点，但由于单摄像机视野受限，容易出现目标偶尔移出视野或被遮挡等问题，且视距较远或目标本身极为相似时跟踪容易出错，使得这方面研究尤为重要。目前广泛采用的方法是使用高质量的视觉目标识别方法逐帧检测目标，然后用在线或者离线方式将检测到的目标信息关联成轨迹以实现跟踪，其轨迹关联通常是基于外观和位置相似度进行[1-3]；另有采用多通道核相关滤波器进行样本训练的实时跟踪算法[4-5]，对目标尺寸和外观变化具有很好鲁棒性。然而，这些算法在目标外观相似度高、无先验运动模型、目标快速运动等情况下失效率较高。　　文献[6]提出通过卡尔曼滤波或者粒子滤波预测目标位置，关联距离最近的目标来实现多目标跟踪；但是该方法需要有先验的目标运动模型，而实际情况中很多时候目标运动模型是随时变动或未知的，且当多个目标彼此很接近时这类算法很难对不同目标进行正确区分。文献[7]使用在线学习框架进行多目标跟踪，通过在线搜集样本，并引入目标外观特征和运动特征来构建霍夫森林，使用统计的方法区分不同轨迹，并关联成为长轨迹，以此进行跟踪；该方法运算速度快，可在线实现，对目标外观变化有一定鲁棒性，对目标位置预测能力强，但在多相似目标情况下跟踪准确度较差。文献[8]提出一种基于潜在动态模型复杂度进行轨迹关联的方法，该方法无需先验运动模型，可以有效地处理多相似目标的运动跟踪；但计算复杂，且完全不考虑目标外观因素。　　针对上述问题，对在线学习算法和关联矩阵进行深入研究，提出了改进霍夫森林算法。该算法拟引入在线学习霍夫森林框架，对多目标外观和运动模型进行学习和跟踪，利用低秩逼近Hankel矩阵方法对霍夫森林学习中的错误轨迹匹配进行校验，并修复误匹配轨迹，以此来更新学习模型，提高跟踪精度，并提高对多相似目标跟踪的鲁棒性。该算法有效提高了单摄像机对多相似目标跟踪及其遮挡情况的处理能力。　　1改进霍夫森林算法框架　　霍夫森林[9]是随机森林的一种改进算法，由多棵互相独立的决策树组成，在树的生长过程及训练样本中加入外观和位置偏移信息，并提出了两种不确定性度量方法用于节点分裂。本文在此基础上拟使用低秩Hankel矩阵方法对霍夫森林训练输出的轨迹关联进行校验，并修复补全轨迹，更新霍夫森林以提高算法跟踪准确度。算法框图如图1所示，在线学习霍夫森林包括五部分：样本采集、特征提取、森林学习、结果修复和训练样本更新。在线采集多目标样本用于初始构建霍夫森林，读入下一帧视频进行森林训练得到轨迹关联概率，后进行轨迹校验，如关联有误则修复轨迹并重新采集样本，更新霍夫森林，否则继续下一帧目标提取和森林训练，往复直至视频终止。　　霍夫森林样本采集　　基于可靠的目标检测信息，将相邻帧的多目标信息进行低层关联[3]，形成短轨迹。样本采集利用时间滑窗及轨迹的时空约束进行。轨迹时空约束基于两个假设[6]：1）同一轨迹线上检测到的目标是同一目标；2）同一时间两个不同轨迹上　　的检测属于不同目标。同一短轨迹链上的不同检测目标之间　　为正关联，样本采集示意图如图2所示，为连续十帧图像检测结果，进行低层关联后如所示，同一轨迹链上的检测目标1与检测目标3属于正关联；邻近或同一时间T不同轨迹上的关联属于负关联，如检测目标3与检测目标5，检测目标1与检测目标7的关联为负关联，以此类推采集正负样本如图所示，其中+1表示正样本，-1表示负样本。　　目标特征提取　　采样后需要提取出样本的外观特征和运动特征，以此作为霍夫森林的样本输入。这里使用文献[10]提出的时空关联方法进行运动特征提取，即假设相邻两帧间目标的运动为线性运动，将检测到的目标全局位置与线性模型估计出的全局位置作差，以此来度量运动轨迹间的一致性。在霍夫森林训练阶段，运动特征是由同一轨迹上不同时刻检测目标的位置补偿来描述的；在霍夫森林测试阶段，运动特征由可能的匹配对间的位置补偿来定义。　　2轨迹修复　　由