方露， 韓超

(安徽工程大學(xué)電氣工程學(xué)院，安徽蕪湖241000)

?

融合SURF特征的壓縮追蹤算法

方露， 韓超

(安徽工程大學(xué)電氣工程學(xué)院，安徽蕪湖241000)

針對(duì)壓縮追蹤(Compressive Tracking，CT)算法在目標(biāo)追蹤中易受遮擋和扭曲變形干擾問題，結(jié)合該算法簡(jiǎn)單容易執(zhí)行的追蹤機(jī)制，提出一種融合SURF(Speeded-up robust features)和壓縮特征的魯棒性目標(biāo)追蹤算法。新算法有兩方面的改進(jìn)：一是在自適應(yīng)更新目標(biāo)外觀模型的基礎(chǔ)上，增加防止誤更新外觀模型機(jī)制，解決追蹤過程中嚴(yán)重遮擋和扭曲變形問題；二是通過SURF特征點(diǎn)在前后兩幀中的匹配關(guān)系，求解追蹤目標(biāo)尺寸變化，自適應(yīng)調(diào)整目標(biāo)模板大小。通過仿真實(shí)驗(yàn)表明：改進(jìn)后的算法在公開的某些圖像序列上的追蹤效果良好，與CT算法及改進(jìn)的CT算法相比正確性和魯棒性上性能更優(yōu)越。

壓縮追蹤算法；SURF算法；誤更新機(jī)制；追蹤模板

引言

視頻追蹤在日常生活中應(yīng)用廣泛，它在安全監(jiān)控、導(dǎo)航定位、智能儀器上有著極其重要的作用，雖然目前有很多算法對(duì)視頻中的物體進(jìn)行追蹤，但是由于目標(biāo)在長(zhǎng)時(shí)間運(yùn)動(dòng)過程中會(huì)面臨各種不確定的干擾，如其他物體的遮擋、自身的形變、環(huán)境明暗變化等[1]，因此提出一種魯棒的、高效的目標(biāo)追蹤算法顯得尤為重要。

很多學(xué)者對(duì)物體追蹤問題做出了許多突出的貢獻(xiàn)。文獻(xiàn)[2]提出了一種高效的基于壓縮感知理論的物體追蹤算法，測(cè)試結(jié)果表明，這是一種高效的、魯棒的追蹤算法，但該算法在針對(duì)遮擋和復(fù)雜背景的情況下存在缺陷。文獻(xiàn)[3]提出一種改進(jìn)的實(shí)時(shí)壓縮追蹤算法，該算法對(duì)遮擋、尺度變化等問題進(jìn)行處理，改進(jìn)后的壓縮追蹤算法魯棒性和跟蹤速度得到改善。文獻(xiàn)[4]提出一種融合SIFT特征的壓縮追蹤算法，該算法在文獻(xiàn)[3]的基礎(chǔ)上做進(jìn)一步的完善，實(shí)驗(yàn)結(jié)果表明比文獻(xiàn)[3]的追蹤效果更加有效，但該算法采用的SIFT進(jìn)行特征點(diǎn)檢測(cè)耗時(shí)較長(zhǎng)，實(shí)現(xiàn)目標(biāo)實(shí)時(shí)性追蹤要求較高。文獻(xiàn)[5]對(duì)原始追蹤目標(biāo)進(jìn)行特征提取，利用空間投影的方法得到兩種特征，這種改進(jìn)的壓縮感知追蹤算法實(shí)現(xiàn)兩種特征的融合，相對(duì)單一的特征魯棒性更好，但該算法的計(jì)算復(fù)雜度高。文獻(xiàn)[6]在Mean Shift算法的基礎(chǔ)上融合SURF特征，提出一種自適應(yīng)分塊目標(biāo)追蹤算法，該算法雖然提高了追蹤精度，但在遮擋或光照變化的情況下仍然存在漂移的情況。文獻(xiàn)[7]利用特征選擇與目標(biāo)模型更新結(jié)合的方法進(jìn)行壓縮追蹤，實(shí)現(xiàn)算法魯棒性增強(qiáng)和追蹤速度加快功能，該算法在特征選擇與目標(biāo)模型的結(jié)合方面不是很完善。

總結(jié)以上學(xué)者的工作，提出一種融合SURF特征的壓縮追蹤算法。該算法改進(jìn)的方面包括兩點(diǎn)：一是增加誤更新外觀模型機(jī)制，有效地解決了遮擋和扭曲變形問題；二是采用SURF特征點(diǎn)匹配，完成追蹤模板的自適應(yīng)調(diào)整。

1壓縮感知追蹤算法簡(jiǎn)介

1.1壓縮特征提取

對(duì)每一個(gè)樣本z∈Rw×h，通過將其與一系列多尺度的矩陣濾波器{h1,1,…,hw,h}進(jìn)行卷積，矩形濾波器定義為：

(1)

式中，i和j分別是矩形濾波器的寬和高。濾波后的圖像矩陣由w×h維的列向量表示，則列向量表示為z′∈R(w×h)×1，將這些列向量連接成一個(gè)高維的多尺度圖像向量x=(x1,…,xm)∈R(w×h)2×1，維數(shù)高達(dá)106～1010，由此可見該矩陣計(jì)算量過大，達(dá)不到實(shí)時(shí)性要求。為此，文獻(xiàn)[2]提出了一種稀疏的隨機(jī)測(cè)量矩陣，該矩陣滿足受限等距性質(zhì)(RIP)條件[8]，矩陣中的元素rij滿足公式：

(2)

由文獻(xiàn)[2]可知：p為概率，s=(w×h)2/4且s的值在2～4之間隨機(jī)選取。當(dāng) s=3時(shí)，計(jì)算的數(shù)據(jù)量只有原來的1/3。

由壓縮感知理論可知：對(duì)于n×m維(n<

v=Rx

(3)

低維的v理想情況下保留高維的x的信息，或者保持原始空間中各樣本x的距離關(guān)系[9]。由此可知，壓縮后的特征是原始圖像區(qū)域特征加權(quán)和，壓縮特征提取示意圖如圖1所示。

圖1壓縮特征提取示意圖

1.2訓(xùn)練樸素貝葉斯分類器

對(duì)每個(gè)樣本z∈Rm(m維向量)，它的低維表示是v=(v1,…,vn)T∈Rn(其中n<

(4)

(5)

式中的μ和σ分別為樣本的均值和標(biāo)準(zhǔn)差。

1.3分類器參數(shù)更新

樣本的均值和標(biāo)準(zhǔn)差的計(jì)算公式為：

(6)

其中，第k個(gè)正樣本數(shù)為vi(k)，n為正樣本個(gè)數(shù)。分類器參數(shù)更新公式為：

(7)

2改進(jìn)追蹤算法

2.1目標(biāo)模型更新方法

在基于檢測(cè)的壓縮追蹤過程中，通常將目標(biāo)與背景作為一個(gè)二分類問題來看待，在文獻(xiàn)[2]中根據(jù)分類器的響應(yīng)值較大者作為新的跟蹤結(jié)果。響應(yīng)值公式為：

(8)

對(duì)于一個(gè)二分類問題，對(duì)追蹤目標(biāo)模型的更新顯得十分重要，當(dāng)H(v)大于零，由公式(8)可知函數(shù)值大于0.5，結(jié)合圖2可知，此時(shí)根據(jù)響應(yīng)結(jié)果判斷出樣本為正，其他情況視為負(fù)樣本。

在追蹤目標(biāo)的過程中，伴隨著環(huán)境的變換和目標(biāo)自身因素的影響，噪聲的引入是不可避免的，當(dāng)目標(biāo)遭遇嚴(yán)重遮擋時(shí)或者姿態(tài)變化頻繁，此時(shí)采集的樣本會(huì)出現(xiàn)響應(yīng)值全部小于零的情況，這種檢測(cè)結(jié)果會(huì)錯(cuò)誤地更新目標(biāo)模型，導(dǎo)致后面的追蹤失敗。因此，本文針對(duì)目標(biāo)樣本的分類器響應(yīng)最大值小于零的情況，提出分類器不予更新思想。得到的公式化的結(jié)果為：

(9)

圖2sigmoid函數(shù)示意圖

2.2SURF特征融合

由于壓縮追蹤算法不能實(shí)時(shí)的改變目標(biāo)追蹤窗口的大小，隨著目標(biāo)運(yùn)動(dòng)狀態(tài)的改變，伴隨著環(huán)境的改變，目標(biāo)大小的變化影響著正負(fù)樣本的采集，導(dǎo)致長(zhǎng)時(shí)間追蹤過程中存在漂移的情況。文獻(xiàn)[4]中提出基于SIFT特征點(diǎn)提取的壓縮追蹤算法，SIFT算法在局部區(qū)域檢測(cè)和匹配性能方面表現(xiàn)出良好的效果，但是由于其自身的計(jì)算復(fù)雜度高，在對(duì)目標(biāo)長(zhǎng)時(shí)間追蹤過程中，實(shí)時(shí)性要求較高。針對(duì)該算法在處理目標(biāo)尺寸方面存在問題，結(jié)合文獻(xiàn)[4]在實(shí)時(shí)性方面的不足，提出一種融合SURF特征的壓縮追蹤算法，SURF算法計(jì)算速度快，在實(shí)時(shí)性方面有很大的優(yōu)勢(shì)，同時(shí)SURF的尺度不變特性[10]在應(yīng)對(duì)尺度縮放、旋轉(zhuǎn)和亮度變化方面具有不變性的優(yōu)勢(shì)。

該算法能夠根據(jù)運(yùn)動(dòng)目標(biāo)的變化，對(duì)前后兩幀利用SURF算法進(jìn)行特征點(diǎn)的提取，通過仿射變換計(jì)算得到仿射變換矩陣。相鄰兩幀中的目標(biāo)一般滿足的仿射變換關(guān)系如下公式所示：

Iback=Ifirst·M

(10)

式中，Iback和Ifirst分別表示后面一幀和前面一幀圖像，M為仿射矩陣。

(11)

其中：λ是尺度因子，θ是旋轉(zhuǎn)因子，(tx,ty)是平移向量。對(duì)于參數(shù)的求解，使用隨機(jī)抽樣一致性RANSAC模型來解決，SURF特征點(diǎn)匹配結(jié)果如圖3所示。

圖3SURF匹配結(jié)果

2.3新算法流程

根據(jù)初始幀目標(biāo)位置和尺度信息，生成隨機(jī)稀疏矩陣，對(duì)目標(biāo)圖像進(jìn)行壓縮采樣，并訓(xùn)練生成初始的貝葉斯分類器。后續(xù)的每幀圖像通過新算法在線執(zhí)行五個(gè)步驟：

(2) 通過前面公式提取出對(duì)應(yīng)的低維特征V(z)=(v1,…vn)T，用式(4)計(jì)算樣本集合Dγ中低維特征分類器響應(yīng)值H(v)。

(3) 其中分類器響應(yīng)值最大的即為當(dāng)前幀的目標(biāo)位置lt，作為新的跟蹤結(jié)果，如果Hmax<0，不更新分類器，轉(zhuǎn)至步驟(1)進(jìn)行下一幀處理，否則進(jìn)入步驟(4)。

(4) 使用SURF特征調(diào)整目標(biāo)尺度和旋轉(zhuǎn)尺度，根據(jù)公式(11)，利用RANSAC模型求解參數(shù)，獲得目標(biāo)尺度，進(jìn)行自適應(yīng)調(diào)整。

3實(shí)驗(yàn)結(jié)果與分析

3.1實(shí)驗(yàn)條件

為了驗(yàn)證本文提出算法的有效性、合理性，將本文算法與經(jīng)典的CT算法和文獻(xiàn)[4]改進(jìn)的CT算法(下文簡(jiǎn)稱文獻(xiàn)[4]算法)進(jìn)行比較和分析。采用了三組代表性的視頻序列作為測(cè)試樣本，分別是有遮擋的Girl視頻序列，快速變化的Jumping視頻序列，光照變化的Trellis視頻序列，所有樣本均來源于標(biāo)準(zhǔn)的視頻庫。所有算法在Windows7系統(tǒng)下MATLAB R2012b運(yùn)行，計(jì)算機(jī)配置是AMD A6-3400M APU，3 GB RAM。三種算法對(duì)Girl、Jumping、Trellis標(biāo)準(zhǔn)視頻的部分視頻追蹤結(jié)果如圖4～圖6所示。

圖4Girl(第20、70、140、171、260、456幀)

圖5Jumping(第23、70、131、175、275、306幀)

圖6Trellis(第19、80、150、290、419、550幀)

3.2實(shí)驗(yàn)結(jié)果定性分析

如圖4所示，分別是對(duì)Girl序列中第20、70、140、171、260、456幀的追蹤結(jié)果。在Girl視頻序列中選擇追蹤的目標(biāo)為女孩的臉，在前面150幀內(nèi)，三種算法在目標(biāo)追蹤的效果上差別不大，原因是目標(biāo)發(fā)生變化不大，背景環(huán)境的干擾較小。當(dāng)150幀以后，傳統(tǒng)的CT算法針對(duì)目標(biāo)自身的移動(dòng)發(fā)生輕微的漂移現(xiàn)象，但其他兩種算法的追蹤效果相差不大。400幀以后由于出現(xiàn)遮擋的情況，本文和文獻(xiàn)[4]的算法目標(biāo)追蹤模板發(fā)生自適應(yīng)更新，CT算法追蹤模板沒有改變，隨著追蹤的進(jìn)行，目標(biāo)被完全的遮擋，此時(shí)文獻(xiàn)[4]算法和CT算法開始出現(xiàn)錯(cuò)誤的更新目標(biāo)模型，出現(xiàn)了嚴(yán)重的漂移現(xiàn)象。隨著后續(xù)的進(jìn)行，以及正負(fù)樣本的更新，三種算法的追蹤效果也趨于穩(wěn)定。

如圖5所示，分別是對(duì)Jumping序列中第23、70、131、175、275、306幀的追蹤結(jié)果。在Jumping視頻序列中選擇追蹤的目標(biāo)依然是人臉，由于追蹤目標(biāo)快速的變化，目標(biāo)特征需要實(shí)時(shí)更新，CT算法在目標(biāo)發(fā)生快速移動(dòng)的過程中，錯(cuò)誤的更新特征，導(dǎo)致跟蹤效果較差。文獻(xiàn)[4]算法雖然采用了追蹤目標(biāo)窗口自適應(yīng)的改變，融合了SIFT特征后相對(duì)CT算法單一特征追蹤效果較好，但是目標(biāo)長(zhǎng)時(shí)間的快速變化導(dǎo)致最后目標(biāo)模型更新錯(cuò)誤。而本文采用SURF和目標(biāo)模型更新策略相結(jié)合的方式，在應(yīng)對(duì)目標(biāo)快速變化的過程中表現(xiàn)出更好的追蹤效果。

如圖6所示，分別是對(duì)Trellis序列中的第19、80、150、290、419、550幀的追蹤結(jié)果。在Trellis視序列中，在前面140幀內(nèi)，由于追蹤目標(biāo)所處的環(huán)境光照變化不大，三種算法均能很好地追蹤到目標(biāo)。隨著目標(biāo)的移動(dòng)，光照變化緩慢，CT算法和文獻(xiàn)[4]算法出現(xiàn)了輕微的漂移，沒有丟失目標(biāo)，本文算法仍然可以準(zhǔn)確地追蹤到目標(biāo)。200幀以后，由于光照劇烈的變化，三種算法都出現(xiàn)了漂移現(xiàn)象，說明改進(jìn)的算法在應(yīng)對(duì)光照變化的情況下，追蹤效果不是很理想，這是后面繼續(xù)研究中有待改進(jìn)的方面。

3.3實(shí)驗(yàn)結(jié)果定量分析

本文采用中心位置定位誤差準(zhǔn)則進(jìn)行評(píng)價(jià)，該準(zhǔn)則采取目標(biāo)追蹤矩形框的質(zhì)心與真實(shí)矩形框質(zhì)心之間的歐式距離作為評(píng)判標(biāo)準(zhǔn)[11]，對(duì)三個(gè)視頻中心誤差的測(cè)試結(jié)果如圖7～圖9所示。

圖7Girl視頻中心位置定位誤差分布圖

圖8Jumping視頻中心位置定位誤差分布圖

圖9Trellis視頻中心位置定位誤差分布圖

4結(jié)束語

本文提出一種融合SURF特征的壓縮追蹤算法，該算法在經(jīng)典的CT算法基礎(chǔ)上做進(jìn)一步的改進(jìn)。從第一幀圖像中提取壓縮特征，采集正負(fù)樣本訓(xùn)練樸素貝葉斯分類器，針對(duì)CT算法面對(duì)目標(biāo)遮擋和劇烈變化存在的漂移情況，改進(jìn)的追蹤算法在前后兩幀目標(biāo)檢測(cè)的過程中，采用SURF特征點(diǎn)匹配，實(shí)現(xiàn)追蹤目標(biāo)窗口大小自適應(yīng)改變。此方法可以加快追蹤速率降低正負(fù)樣本采集帶來的干擾，面對(duì)嚴(yán)重遮擋和劇烈變化問題，本文采用一種新的目標(biāo)模型更新方法，即在目標(biāo)樣本的分類器響應(yīng)最大值小于零的情況，提出分類器不予更新思想，改善了因?yàn)檎`更新目標(biāo)模型帶來的誤差。本文改進(jìn)后的算法與經(jīng)典的CT算法和文獻(xiàn)[4]算法進(jìn)行定性和定量的分析比較，實(shí)驗(yàn)結(jié)果表明本文算法在目標(biāo)嚴(yán)重遮擋和劇烈變形情況下追蹤效果優(yōu)于其他兩種，然而，在面對(duì)光照變化的問題上本文提出的算法效果不是十分理想，這是后期研究重點(diǎn)方向之一。

[1] LI X,HU W M,SHEN C H,et al.A survey of appearance models in visual object tracking[J].ACM Transactions on Intelligent Systems and Technology,2013,4(4):5801-5848.

[2] ZHANG K H,ZHANG L,YANG M H.Real-time compressive tracking[C]//Proceedings of Europe Conference on Computer Vision,Florence,Italy,October 7-13,2012:864-877.

[3] 鐘權(quán),周進(jìn),吳欽章,等.一種改進(jìn)的實(shí)時(shí)壓縮跟蹤算法[J].光電工程,2014,41(4):1-8.

[4] 鐘權(quán),周進(jìn),崔雄文.融合SIFT特征的壓縮跟蹤算法[J].光電工程,2015,42(2):66-72.

[5] 唐宇,凌志剛,李建成,等.基于自適應(yīng)特征融合的壓縮感知跟蹤算法[J].計(jì)算機(jī)工程與應(yīng)用,2015,51(10):160-165.

[6] 劉振興,范新南,李敏.融合SURF特征的改進(jìn)自適應(yīng)分塊目標(biāo)跟蹤算法[J].計(jì)算機(jī)工程與設(shè)計(jì),2016,37(2):454-459.

[7] 石武禎,寧紀(jì)鋒,顏永豐.壓縮感知跟蹤中的特征選擇與目標(biāo)模型更新[J].中國圖象圖形學(xué)報(bào),2014,19(6):932-939.

[8] DONOHO D L.Compressed sensing[J].IEEE Transactions on Information Theory,2006,52(4):1289-1306.

[9] CANDES E,TAO T.Near optimal signal recovery from random projections and universal encoding strategies[J].IEEE Transactions on Information Theory,2006,52(12):5406-5425.

[10] BAY H,ESS A,TUYTELAARS T,et al.Speeded-up robust features(SURF)[J].Computer Vision & Image Understanding,2008,110(3):346-359.

[11] 李俊,謝維信,李良群.基于空時(shí)線索的TLD視頻跟蹤算法[J].信號(hào)處理,2015,31(10):1287-1293.

Compressive Tracking Algorithm Based on SURF Feature Fusion

FANGLu,HANChao

(College of Electrical Engineering, Anhui Polytechnic University, Wuhu 241000, China)

Aim at the compressive tracking (CT) algorithm which easily to be occluded and distorted in target tracking, combining the simple tracking mechanism and easy implement, a robust target tracking algorithm which includes SURF (Speeded-up robust features) and compression features is proposed. The new algorithm has two aspects of improvement as following: Firstly, based on the adaptive update of the target appearance model, the mechanism of the appearance model is added to prevent the false appearance, which solves the problem of serious occlusion and distortion in the tracking process. Secondly, through the matching relationship of the SURF feature points between adjacent frames, the solution of the target size change is completed and the adaptive adjustment of tracking template size is achieved. The simulation results show that the improved algorithm has a good tracking effect on some image sequences, and it is superior in accuracy and robustness in comparison with the CT algorithm and the improved CT algorithm.

compressive tracking algorithm; SURF algorithm; error update mechanism; tracking template

2016-04-15

安徽省自然科學(xué)基金資助項(xiàng)目(1508085MF121);安徽高校自然科學(xué)研究項(xiàng)目(KJ2016A056);安徽檢測(cè)技術(shù)與節(jié)能裝置省級(jí)實(shí)驗(yàn)室開放研究基金(1506c085002);高校優(yōu)秀中青年骨干人才國內(nèi)外訪學(xué)研修重點(diǎn)項(xiàng)目(gxfxZD2016100)

方 露(1991-),男,安徽舒城人,碩士生,主要從事目標(biāo)檢測(cè)、視頻追蹤方面的研究,(E-mail)ahpu3008@163.com;

韓 超(1974-),男,安徽宿州人,副教授,博士,主要從事圖像處理、計(jì)算全息及全息顯示等方面的研究,(E-mail)hanchaozh@126.com

1673-1549(2016)04-0039-05

10.11863/j.suse.2016.04.09

TP181

A