基于簇相似度的实时多尺度目标跟踪算法-李康.pdf
《基于簇相似度的实时多尺度目标跟踪算法-李康.pdf》由会员分享,可在线阅读,更多相关《基于簇相似度的实时多尺度目标跟踪算法-李康.pdf(11页珍藏版)》请在得力文库 - 分享文档赚钱的网站上搜索。
1、 *国家自然科学基金项目(No.61472289)、湖北省自然科学基金项目(No.2015CFB254)资助Supported by National Natural Science Foundation of China (No. 61472289), Natural Science Foundation of Hubei Province(No.2015CFB254)收稿日期:2015-05-12;修回日期:2015-09-28;录用日期:2015-10-26Manuscript received May 12, 2015; revised September 28, 2015; acce
2、pted October 26, 2015基基于簇相似度的实时多尺度目标跟踪算法*李 康 何发智 陈 晓 潘一腾 于海平(武汉大学计算机学院 武汉430072)摘 要 针对目标跟踪中跟踪实时性和适应目标尺度变化的问题,提出在粒子滤波框架内基于簇相似度测量的实时目标跟踪算法,算法的外观模型使用改进的均值类哈尔特征表示.首先,根据采样半径采集目标簇和背景簇.然后,定义粒子与簇之间的相似度.当新帧到来时计算每个粒子与目标簇和背景簇的相似度,并将相似度最高的粒子作为目标在该帧的位置.在每帧跟踪结束时,更新目标簇和背景簇的统计特征,并对粒子进行重采样防止退化.与当前通用的跟踪算法对比体现文中算法的优越性
3、.关键词 目标跟踪,标准化欧几里德距离,类哈尔特征,粒子滤波中图法分类号 TP 391.4 DOI 10.16451/ j. cnki. issn1003_6059.201603005引用格式 李康,何发智,陈晓,潘一腾,于海平.基于簇相似度的实时多尺度目标跟踪算法.模式识别与人工智能, 2015, 29(3): 229-239.Real-Time Multi-scale Object Tracking Based on Cluster SimilarityLI Kang, HE Fazhi, CHEN Xiao, PAN Yiteng, YU Haiping(School of Comput
4、er, Wuhan University, Wuhan 430072)ABSTRACTTo solve the problems of real_time object tracking and scale changing of the object in objecttracking, a real_time object tracking algorithm is proposed based on cluster similarity measurement(MSCSM) in particle filtering framework. The improved average haa
5、r_like features are utilized torepresent the proposed appearance model. Firstly, the target cluster and the background cluster arecropped in their sample radii. Secondly, a similarity measurement between a particle and a cluster isdefined. The score of each particle is calculated according to its si
6、milarity with clusters while a new framecoming. Finally, the particle with the maximum score is selected as the new target location in the currentframe. At the end of tracking for each frame, the statistical characteristics of clusters are updated and theparticles are resampled to avoid degeneration
7、. The proposed algorithm shows superiority in comparisonwith the state_of_the_art algorithms.Key W ords Object Tracking, Standardized Euclidean Distance, Haar_Like Feature, Particle FilteringCitation LI K, HE F Z, CHEN X, PAN Y T, YU H P. Real_Time Multi_scale Object Tracking Basedon Cluster Similar
8、ity. Pattern Recognition and Artificial Intelligence, 2016, 29(3): 229-239.第29卷 第3期模式识别与人工智能Vol.29 No.32016年3月PR & AI Mar. 2016 目标跟踪广泛应用于实时监控、运动捕捉、视频分析和娱乐等领域,是计算机视觉中最为活跃的领域之一1.实时目标跟踪只给出第一帧目标的位置信息,跟踪算法需在余下的视频序列中定位目标位置.近年来国内外提出大量的目标跟踪算法2-3,但由于大多易受目标信息的不足以及尺度变化、光照变化、部分遮挡等内部和外部因素的影响,开发具有鲁棒性的实时目标跟踪算法仍是一个
9、富有挑战性的课题.经典的跟踪系统由外观模型、运动模型和搜索策略三部分组成.外观模型最重要,直接影响整个跟踪算法的结构.目前有大量算法目标的静态外观模型,但这些算法无法描述变化中的目标外观,导致目标经历剧烈形变后跟踪失败.自适应的外观模型根据在跟踪过程中获得的目标信息进行更新,适应目标新的变化,具有更好的适应能力.自适应模型通常在跟踪过程中实时更新分类器,对算法的速度要求很高,一些跟踪效果较好的算法4-5由于训练速度过慢而达不到实时跟踪要求.为了应对跟踪中可能遇到的各种复杂情况,有必要构建一个鲁棒的目标外观的表示方法.根据外观模型的不同,跟踪算法可分为生成模型6-8和判别模型9-10两类.生成模
10、型首先通过训练样本学习目标外观,然后搜索目标可能存在的区域,通过找到重构误差最小的测试样本作为新的目标.判别模型将跟踪问题描述成分类问题,从目标和背景中收集信息用于训练分类器,区分目标与背景.为了使用更稳定的特征和更鲁棒的分类器跟踪目标,大量的机器学习及图像处理领域的算法7,10-11被应用到目标跟踪中.基于分类的判别模型算法从目标和背景中采集正样本和负样本,对这些样本提取特征后训练分类器,最后选择使分类器响应最大的测试样本作为目标.多示例学习(Multi_ple Instance Learning, MIL)10提取目标的类哈尔特征,使用Boosting算法训练分类器,取得良好效果.类哈尔特
11、征的计算速度较快,使用积分图计算图像中任意尺寸的类哈尔特征能在常数时间内得出结果,但由于Boosting算法在每帧都必须迭代地选择弱分类器,极大降低跟踪速度.粒子滤波算法12广泛应用于目标跟踪领域,使用灵活,易于实现.粒子滤波算法框架可将目标尺度作为粒子的参数之一,能有效适应目标的尺度变化.增量学习视觉跟踪(Incremental Learning for VisualTracking, IVT)6在粒子滤波框架下增量学习子空间,通过在子空间中对比测试样本与空间原点的距离确定目标样本,实现对目标的鲁棒跟踪.深度学习跟踪(Deep Learning Tracker, DLT)4通过栈式自编码算法
12、离线训练泛化的图像特征,并使用在线训练的神经网络实现目标跟踪. L1算法7可应对跟踪过程中的遮挡和光照变化,取得良好效果,通过一系列训练模板的线性组合重构目标样本,并选取重构误差最小的样本作为目标所在位置.但求解L1正则化最小二乘问题的算法速度很慢,达不到实时要求.使用加速最近梯度的L1范式跟踪(L1 Tracker UsingAccelerated Proximal Gradient,L1APG)算法8是对L1算法的改进,进而提出的快速计算L1范式最小化问题的数值方法,能提高跟踪效率.上述在粒子滤波框架下的跟踪算法都属于生成模型,通过复杂度较高的训练算法和优化算法求解目标位置,实时性较低,也
13、未利用场景中背景的相关信息,这些背景信息在很多时候能增强分类器的分类能力.在上述研究的基础上,本文提出基于簇相似度的实时多尺度目标跟踪算法( Multi_scale ObjectTracking Based on Cluster Similarity Measurement,MSCSM).本文算法改进类哈尔特征的表示方法,使其适应目标的尺度变化.借鉴标准化欧几里德距离的思想,以簇的方差为尺度建立特征空间,在空间中定义粒子到簇的距离,并根据距离定义相似度.最后选择与目标簇相似同时又与背景簇不相似的粒子作为目标在当前帧的状态.本文算法结合判别模型与粒子滤波框架,充分利用背景信息,避免复杂背景对跟踪
14、的干扰,并能适应跟踪过程中目标的尺度变化.实验表明,本文算法能有效处理跟踪中遇到的遮挡、形变、光照变化等各种情况,并且运行速度较快,能达到鲁棒的实时跟踪.1 粒子滤波的基本框架1.1 Bootstrap滤波框架目标跟踪的目的是在连续的时间序列中求解目标所处的位置,而目标位置可使用目标自身状态描述,这就相当于是对目标状态的求解.从贝叶斯的角度看,跟踪问题可描述成通过构建后验概率密度p(xt z1颐 t)估计目标的当前状态xt,其中z1颐 t表示从时刻1到时刻t的观测数据.粒子滤波是求解贝叶斯估计的一种有效手段.粒子就是形状很小的滤波器,可表示目标状态的向量.在估计理论中,粒子滤波根据当前的观测值
15、和以前的估计值通过一系列采样得到粒子集近似后验概率p(xt z1颐 t),包括预测和更新两个阶段.032模式识别与人工智能 29卷在预测阶段,通过系统概率转移模型p(xt xt-1)预测目标在t时刻的先验状态.假设t - 1时刻概率密度函数p(xt-1 z1颐 t-1)已知,对于一阶马尔科夫过程,即p(xt xt-1,z1颐 t-1) = p(xt xt-1),由Chapman_Kolmogorov方程有p(xt z1颐 t-1) = 乙p(xt xt-1)p(xt-1 z1颐 t-1)dxt-1. (1)在更新阶段,得到新的观测值zt后,目标状态可通过贝叶斯公式进行更新:p(xt z1颐 t
16、) = p(zt xt)p(xt z1颐 t-1)p(zt z1颐 t-1), (2)其中,p(zt xt)为系统的观测方程,p(zt z1颐 t-1) = 乙p(zt xt)p(xt z1颐 t-1)dxt.递归求解式(1)和式(2)可逼近最优贝叶斯估计.Bootstrap滤波是粒子滤波13-14的一个变种,使用一系列随机采样的粒子近似后验概率密度p(xt z1颐 t).设At-1 = x(i)t-1Ni = 1是一组从已知的后验概率p(xt-1 z1颐 t-1)分布中生成的粒子.在预测阶段,每个粒子x(i)t-1通过粒子的运动模型p(xt xt-1)得到先验粒子集At = x(i)t Ni
17、 = 1.在获得t时刻的观测值zt后,计算每个粒子的似然概率p(zt x(i)t )作为该粒子的权值,然后对权值归一化:qi = p(zt x(i)t )移 Nj = 1p(zt x(j)t ), (3)其中qi表示第i个粒子归一化后的权值.在跟踪问题中,一般将权值最大的粒子作为系统当前的状态,即x*t = arg maxx(i)t 沂 Atqi.为了防止粒子退化,在每帧跟踪完成后会根据粒子的权值进行重采样,重采样后的粒子权值全部重置为1/ N.1.2 运动模型和观测模型在本文中,粒子x的状态向量定义为s(x) =xp,yp,sp, xp、yp表示样本在图像中的位置,sp表示粒子的尺度.由于每
18、个粒子可表示一个样本的状态,在不影响理解的情况下文中使用粒子的表述等同于对应该粒子表示的样本.当状态向量维数增加时,为了保证能更好拟合后验概率密度,粒子的数量要成指数级比例增加.为了满足实时跟踪的要求,本文假定目标在图像高度和宽度方向上的尺度变化一致.目标状态的初始分布p(x0)可通过一个目标检测器获取,或通过用户输入确定.在预测阶段,粒子根据运动模型进行传播得到先验样本.使用2阶自回归模型作为粒子的运动模型,在运动时考虑粒子前两个阶段的状态,融合目标的速度信息.该模型同时应用到位置和尺度两个方面:s(x(i)t ) = 2s(x(i)t-1) - s(x(i)t-2) + wt, (4)其中
19、,s(x(i)t )表示第i个粒子在时刻t的状态向量,wt表示均值为0、各维相互独立且与目标状态相互独立的白噪声.粒子的权值可通过观测模型估计,即p(zt x(i)t ) = exp(J(x(i)t ), (5)其中J(x(i)t )表示第i个粒子的相似性度量(详见2.3节).由于所有粒子的权值都非负,为了防止退化,将根据粒子的权值进行重采样.重采样后的粒子集保持分类响应较大的粒子,并重新分配权值较小的粒子.1.3 跟踪基本框架图1为基于检测跟踪的基本流程.UNI65b0UNI76eeUNI6807UNI4f4dUNI7f6eUNI65e7UNI76eeUNI6807UNI4f4dUNI7f6
20、eUNI76eeUNI6807UNI80ccUNI666fUNI7b2cUNI5e27tUNI6a21UNI578bUNI6b65UNI9aa4 UNI66f4UNI65b0UNI5916UNI89c2UNI6a21UNI578b1:UNI7b2c UNI5e27t+1UNI6a21UNI578bUNI6b65UNI9aa4 UNI5c06UNI5916UNI89c2UNI6a21UNI578bUNI5e94UNI7528UNI5230UNI5019UNI9009UNI6837UNI672c,UNI5019UNI9009UNI6837UNI672cUNI5728UNI7b2cUNI5e27UN
21、I5468UNI56f4UNI91c7UNI68372:tUNI7f6eUNI4fe1UNI56fe UNI7b2c UNI5e27t+1UNI6b65UNI9aa4 UNI66f4UNI65b0UNI76eeUNI6807UNI4f4dUNI7f6e3:UNI5019UNI9009UNI6837UNI672c图1 检测跟踪的基本流程图Fig.1 Flowchart of basic steps for detection and tracking1323期 李 康 等:基于簇相似度的实时多尺度目标跟踪算法 令l(x)表示图像块x的位置.假设已知第t帧图像Ft中目标x*t ,位置为l(x*t
22、).首先从目标周围半径rp内提取目标簇字+t = xt 椰 l(xt) - l(x*t )椰 臆 rp, xt 沂 Ft= x(i)t noi = 1,其中no表示目标簇中样本个数.然后在目标周围半径rin和ron之间采集背景簇字-t = xt rin 臆 椰 l(xt) - l(x*t )椰 臆 ron,xt 沂 Ft= x(i)t nbi = 1,其中nb表示背景簇中样本个数.目标簇和背景簇的统计特征可用来描述目标和背景.在第t + 1帧时,通过粒子的运动方程获取当前帧的先验样本,移动后的粒子集合为At+1 = x(i)t+1Ni = 1,其中每个粒子都代表目标的一种可能状态.粒子的重要性
23、权值通过对比粒子表示的图像块与目标簇和背景簇的相似度J(x)定义.跟踪问题转化为寻找相似度分数最高的粒子的问题,即x*t+1 = arg maxx沂 At+1J(x). (6)系统重复上述过程完成目标跟踪.2 基于簇相似度的实时多尺度目标跟踪算法2.1 特征提取在压缩感知跟踪(Compressive Tracking,CT)9和MIL10中,类哈尔特征的值从固定大小的图像区域内计算得出,不能适应目标尺度变化的情形.为了使特征具有尺度不变性,本文使用均值类哈尔特征.样本x的第i个特征可表示为fi(x) = 移ni,hj = 1wi,j sum(x忆i,j)pixn(x忆i,j),其中x忆i,j表
24、示在样本x内部的随机选择的矩形图像块,sum(x忆i,j)表示x忆i,j内像素值之和,pixn(x忆i,j)表示图像块中像素个数,wi,j表示随机权值,ni,h表示图像块的个数.样本x的特征可表示为f(x) = f1(x), f2(x), , fH(x),其中H表示设定的特征数.文献9证明这些特征之间相互独立.在跟踪进行之前,需要对类哈尔特征模板进行初始化,模板在整个跟踪过程中保持不变,当样本尺度发生变化时,需对模板进行等比例的缩放提取特征.2.2 距离度量及相似性度量由于样本各特征之间相互独立,定义样本x的第i个特征到簇字之间的距离关系di(x,字)为di(x,字) 邑 1n 移nj = 1
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 相似 实时 尺度 目标 跟踪 算法 李康
限制150内