楊亞男 付春玲

摘 要：本文介紹了視頻目標(biāo)跟蹤算法及其研究進(jìn)展。首先給出了視頻目標(biāo)跟蹤技術(shù)的定義和特點(diǎn)；然后將其分為生成式跟蹤算法和判別式跟蹤算法兩大類，進(jìn)而簡單評析了兩大類算法中的經(jīng)典方法；最后進(jìn)行了總結(jié)和展望。

關(guān)鍵詞：目標(biāo)跟蹤 生成式跟蹤算法 判別式跟蹤算法

中圖分類號：TP391 文獻(xiàn)標(biāo)識碼：A 文章編號：1672-3791（2018）01（b）-0014-02

視頻目標(biāo)跟蹤是對視頻序列中特定的目標(biāo)進(jìn)行檢測，以獲取其位置、運(yùn)動軌跡等信息，從而進(jìn)行后續(xù)深入的處理與分析[1]。視頻目標(biāo)跟蹤算法按照跟蹤過程是否包含對目標(biāo)的檢測，可分為生成式跟蹤算法與判別式跟蹤算法[2]。生成式跟蹤算法首先進(jìn)行目標(biāo)檢測，進(jìn)而對前景目標(biāo)進(jìn)行表觀建模，然后按照一定的跟蹤策略估計(jì)跟蹤視頻中目標(biāo)的最優(yōu)位置；判別式跟蹤算法則對視頻中每一幀圖像進(jìn)行檢測以獲取目標(biāo)狀態(tài)，因此該方法又被稱為基于檢測的跟蹤方法。

1 生成式跟蹤算法

生成式跟蹤算法按照表觀模型的建立形式分為基于核的算法、基于子空間的算法以及基于稀疏表示的算法[2]。

基于核的算法首先對目標(biāo)進(jìn)行表觀建模，進(jìn)而確定相似性度量策略以實(shí)現(xiàn)對目標(biāo)的定位。該算法適用于非剛體目標(biāo)跟蹤，利用目標(biāo)色彩信息的概率密度函數(shù)進(jìn)行表觀建模，通過Mean Shift理論對運(yùn)動目標(biāo)位置進(jìn)行估計(jì)，該方法又稱為Mean Shift跟蹤。Mean Shift算法不需要目標(biāo)的先驗(yàn)信息，也不需要對統(tǒng)計(jì)參數(shù)進(jìn)行估計(jì)，其利用非參數(shù)化模型處理多模態(tài)的特征空間并進(jìn)行特征類聚。Mean Shift通過尋找局部極值對目標(biāo)進(jìn)行定位，Hu等利用主成分的協(xié)方差矩陣更新目標(biāo)方向，并使用相關(guān)特征值檢測目標(biāo)的尺度變化，解決了目標(biāo)尺度及方向的自適應(yīng)估計(jì)問題[2]。

基于子空間算法的關(guān)鍵在于對目標(biāo)特征空間進(jìn)行表示，構(gòu)建相關(guān)基及其張成的子空間。圖像在機(jī)器中的表示形式是一個由大量像素組成的二維數(shù)組，子空間算法在高維圖像矩陣中提取目標(biāo)特征，壓縮形成低維特征空間[3]?；谧涌臻g算法需要設(shè)定準(zhǔn)則來確定要保留的圖像信息、低維空間特性等。

基于稀疏表示的方法通常假設(shè)跟蹤目標(biāo)在一個由目標(biāo)模板所構(gòu)成的子空間內(nèi)，其跟蹤結(jié)果是通過尋求與模板重構(gòu)誤差最小的候選目標(biāo)。Mei等通過對重構(gòu)系數(shù)引入稀疏約束提出一種最小化的跟蹤算法，該算法能較好解決目標(biāo)遮擋問題，但其計(jì)算代價較高[4]。Li等為提高M(jìn)ei等方法的時效性，將壓縮感知理論引入到跟蹤目標(biāo)表觀模型建立中，極大提高了算法速度，達(dá)到實(shí)時跟蹤要求[5]。

2 判別式跟蹤算法

判別式跟蹤方法將視覺目標(biāo)跟蹤視為尋求跟蹤目標(biāo)與背景間決策邊界的二分類問題。判別式跟蹤算法可以分為基于在線Boosting的算法、基于支持向量機(jī)（SVW）的算法、基于隨機(jī)學(xué)習(xí)的算法以及基于判別分析的算法[2]。

基于在線Boosting跟蹤算法的原理是通過對弱分類器進(jìn)行重新整合以提升分類性能，其源于Valiant提出的PAC學(xué)習(xí)模型。該類算法具有較強(qiáng)的判別學(xué)習(xí)能力，通過自適應(yīng)選擇區(qū)分性較強(qiáng)的特征，根據(jù)目標(biāo)的變化自適應(yīng)地改變分類器完成跟蹤任務(wù)。但基于在線Boosting算法沒有考慮到目標(biāo)特征間的關(guān)聯(lián)性，沒有利用不同特征間的互補(bǔ)性，因而造成所選特征具有較大冗余；常見的解決方法是在特征選取組合過程引入加權(quán)策略[6]。

基于SVM的跟蹤算法通過在較強(qiáng)分類性能的SVM分類器中引入最大化分類間隔約束，以達(dá)到對目標(biāo)與非目標(biāo)劃分的目的，最終實(shí)現(xiàn)對運(yùn)動目標(biāo)的跟蹤。Tian等通過加權(quán)融合對多個線性SVM分類器，以建立目標(biāo)表觀模型，實(shí)現(xiàn)復(fù)雜場景下的目標(biāo)跟蹤[7]。

基于隨機(jī)學(xué)習(xí)的跟蹤算法通過融合隨機(jī)特征與輸入建立目標(biāo)的表觀模型，典型案例主要有在線隨機(jī)森林、MIForests與隨機(jī)樸素貝葉斯等[8]。與基于在線Boosting和基于SVM的方法相比，該算法處理速度更快、效率更高，且易擴(kuò)展到對多分類問題的處理。但該類算法特征選取時比較隨機(jī)，因而應(yīng)用于不同環(huán)境下，該類方法的跟蹤性能不夠穩(wěn)定。

基于判別分析的跟蹤算法對目標(biāo)表觀建模的方法是尋找一個具有高類間差異的低維子空間。Lin等將目標(biāo)與背景的模型均看作高斯分布，提出一種基于增量Fisher的線性判別表觀建模方法，在目標(biāo)外觀和背景變化的情況下其具有良好的自適應(yīng)性[9]。

3 其他跟蹤問題

判別式跟蹤算法曾一度成為該領(lǐng)域的研究熱點(diǎn)，但實(shí)驗(yàn)和應(yīng)用表明，基于兩種跟蹤思的混合式跟蹤算法比單獨(dú)使用上述任一種跟蹤算法具有更好的穩(wěn)定性。由于視頻跟蹤環(huán)境的復(fù)雜性，在實(shí)際應(yīng)用系統(tǒng)的設(shè)計(jì)中，由于光照、目標(biāo)姿態(tài)的改變以及背景遮擋等原因，導(dǎo)致目標(biāo)的外觀并不是一成不變的，因而建立魯棒性較好的目標(biāo)外觀模型對跟蹤而言至關(guān)重要[10]。在實(shí)踐應(yīng)用中應(yīng)根據(jù)具體的精度、穩(wěn)健性、計(jì)算復(fù)雜度和實(shí)時性要求等選取適當(dāng)?shù)慕M合特征以及跟蹤算法[11]。

4 結(jié)語

本文對目前常見的視頻目標(biāo)跟蹤算法進(jìn)行了簡單評析，并闡述了現(xiàn)存問題的解決方法。目前的研究重點(diǎn)主要集中檢測過程目標(biāo)特征的選取、跟蹤策略的優(yōu)化、以及多種跟蹤方法的融合和互補(bǔ)。盡管視頻目標(biāo)跟蹤算法取得了突飛猛進(jìn)的發(fā)展，但有些成果應(yīng)用于實(shí)際的跟蹤系統(tǒng)還有很長的路需要走。

參考文獻(xiàn)

[1] Smeulders A W M，Chu D M，Cucchiara R， et al.Visual tracking：An experimental survey[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2016，36（7）：1442-1468.

[2] 尹宏鵬，陳波，柴毅，等.基于視覺的目標(biāo)檢測與跟蹤綜述[J].自動化學(xué)報(bào)，2016，42（10）：1466-1489.

[3] 黃靜茹.基于子空間表示的視頻目標(biāo)跟蹤算法的研究[D].合肥工業(yè)大學(xué)，2015.

[4] Mei X，Ling H B. Robust visual tracking using l（1）minimization[A].In：Proceedings of the 12th IEEE International Conference on Computer Vision.Kyoto，Japan：IEEE[C].2009.

[5] Li H，Shen C，Shi Q.Real-time visual tracking using compressive sensing[A].Computer Vision and Pattern Recognition[C].IEEE，2011.

[6] 沈丁成，薛彥兵，張樺，等.一種魯棒的基于在線boosting目標(biāo)跟蹤算法研究[J].光電子·激光，2013（1）：170-175.

[7] Tian M， Zhang W，Liu F.On-line ensemble SVM for robust object tracking[J]. AsianConference on Computer Vision. Springer-Verlag，2007：355-364.

[8] Breiman L.Random forests[J].Machine Learning，2001，45（1）：25-32.

[9] Nguyen H T，Smeulders A W.Robust Tracking Using Foreground-Background Texture Discrimination[J].International Journal of Computer Vision，2006，69（3）：277-293.

[10]蔡榮太，吳元昊，王明佳，等.視頻目標(biāo)跟蹤算法綜述[J]. 電視技術(shù)，2010，34（12）：135-138.

[11]閆慶森，李臨生，徐曉峰，等.視頻跟蹤算法研究綜述[J]. 計(jì)算機(jī)科學(xué)，2013，40（s1）：204-209.