宮海洋 任紅格 史濤 李福進(jìn)

摘 要： 針對(duì)單目標(biāo)跟蹤問(wèn)題，提出基于改進(jìn)粒子濾波的稀疏子空間單目標(biāo)跟蹤算法。在改進(jìn)的粒子濾波中提出將樣本分為正、負(fù)和過(guò)渡樣本，減小粒子退化帶來(lái)的影響，通過(guò)仿真實(shí)驗(yàn)驗(yàn)證改進(jìn)粒子濾波器可提高目標(biāo)跟蹤的魯棒性。仿照人眼視覺(jué)神經(jīng)系統(tǒng)，將稀疏子空間引入粒子濾波中，建立一個(gè)稀疏最優(yōu)化模型，獲得稀疏矩陣，稀疏子空間有針對(duì)性地對(duì)目標(biāo)進(jìn)行聚類(lèi)，得到聚類(lèi)中心位置實(shí)現(xiàn)目標(biāo)跟蹤。經(jīng)過(guò)在相同視頻序列實(shí)驗(yàn)與基本粒子濾波同mean?shift算法目標(biāo)跟蹤的實(shí)驗(yàn)對(duì)比可知，單目標(biāo)跟蹤的快速性和魯棒性得到了很大提高。

關(guān)鍵詞： 目標(biāo)跟蹤； 貝葉斯濾波； 粒子濾波； 稀疏子空間； 過(guò)渡樣本； 聚類(lèi)中心

中圖分類(lèi)號(hào)： TN911.1?34； TP18 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2018）13?0010?04

Abstract： A sparse subspace single target tracking algorithm based on improved particle filtering is proposed for single target tracking problem. On the basis of improved particle filtering， a method to classify the sample into positive， negative and transition samples is proposed to reduce the influence of particle degradation. The simulation experiment results show that the improved particle filter can improve the robustness of target tracking. On the basis of human visual nervous system， the sparse subspace is introduced into the particle filtering， and a sparse optimal model is established to obtain the sparse matrix. The target is clustered in the sparse subspace to get the location of the clustering center and realize the target tracking. The result of same video sequence experiment is compared with those of the target tracking experiments for basic particle filtering algorithm and Mean?shift algorithm. The results indicate that the accuracy and robustness of single target tracking algorithm are greatly improved.

Keywords： target tracking； Bayesian filtering； particle filtering； sparse subspace； transition sample； clustering center

0 引 言

目標(biāo)跟蹤是對(duì)視頻中所標(biāo)記的目標(biāo)實(shí)施狀態(tài)估計(jì)的過(guò)程，通過(guò)對(duì)時(shí)間和空間相對(duì)性的判斷，確定跟蹤目標(biāo)在視頻序列中每一幀的位置和姿態(tài)。2013年，文獻(xiàn)[1]提出一種LDSs算法，通過(guò)聚類(lèi)和噪音壓制等處理驗(yàn)證了該方法的準(zhǔn)確性。2013年，文獻(xiàn)[2]提出一種檢測(cè)人類(lèi)行為的新方法，結(jié)合稀疏的外觀特征和運(yùn)動(dòng)特征捕捉目標(biāo)在視頻中的微小變化，通過(guò)實(shí)驗(yàn)表明算法提高了處理數(shù)據(jù)的快速性。2015年，文獻(xiàn)[3]提出一種基于顏色和空間信息的多特征融合目標(biāo)跟蹤算法，通過(guò)實(shí)驗(yàn)對(duì)目標(biāo)的平均位置誤差進(jìn)行判斷，確定提出的算法使得魯棒性提高。2016年，文獻(xiàn)[4]提出LRSP算法，針對(duì)目標(biāo)受光照和姿態(tài)變化的影響具有更好的魯棒性。

針對(duì)目標(biāo)跟蹤的魯棒性和準(zhǔn)確性，本文提出基于改進(jìn)粒子濾波的稀疏子空間單目標(biāo)跟蹤算法，仿照人眼視覺(jué)神經(jīng)系統(tǒng)[5]，將高維空間中數(shù)據(jù)映射成低維子空間數(shù)據(jù)，通過(guò)對(duì)映射后的數(shù)據(jù)聚類(lèi)和學(xué)習(xí)分類(lèi)，采用粒子濾波實(shí)現(xiàn)在線(xiàn)跟蹤目標(biāo)。在實(shí)驗(yàn)環(huán)節(jié)，將本文算法與已提出的跟蹤方法進(jìn)行比較，通過(guò)定量和定性分析驗(yàn)證算法的有效性。

1 粒子濾波器的改進(jìn)與稀疏子空間表示

1.1 粒子濾波器的改進(jìn)

針對(duì)粒子退化和多樣性匱乏的弊端，本文把粒子集分為三類(lèi)樣本，即正樣本、負(fù)樣本、過(guò)渡樣本。三類(lèi)樣本分布如圖1所示，3個(gè)箭頭從上至下依次為正樣本、過(guò)渡樣本、負(fù)樣本。加入過(guò)渡樣本，使得粒子濾波器偏離真實(shí)狀態(tài)較小的數(shù)據(jù)保留下來(lái)，減少這些數(shù)據(jù)被丟棄的可能性，進(jìn)而增加數(shù)據(jù)的多樣性，使得跟蹤過(guò)程中得到的目標(biāo)更接近真實(shí)目標(biāo)。

對(duì)加入過(guò)渡樣本的粒子濾波進(jìn)行實(shí)驗(yàn)驗(yàn)證，對(duì)100個(gè)粒子集組成的空間進(jìn)行粒子跟蹤。圖2中實(shí)線(xiàn)為粒子實(shí)際運(yùn)動(dòng)曲線(xiàn)，虛線(xiàn)為基本粒子濾波運(yùn)動(dòng)曲線(xiàn)，點(diǎn)線(xiàn)為加入過(guò)渡樣本的粒子濾波運(yùn)動(dòng)曲線(xiàn)。由運(yùn)動(dòng)曲線(xiàn)圖可知，相對(duì)基本粒子濾波，加入過(guò)渡樣本的粒子濾波運(yùn)動(dòng)曲線(xiàn)對(duì)粒子追蹤更加準(zhǔn)確。

1.2 粒子的稀疏子空間表示

人類(lèi)視覺(jué)的認(rèn)知能力很強(qiáng)，其注意機(jī)制可以在環(huán)境惡劣的條件下對(duì)目標(biāo)實(shí)現(xiàn)準(zhǔn)確識(shí)別與跟蹤。有研究表明[6?7]，人類(lèi)視覺(jué)被生活中的某個(gè)物體吸引時(shí)，只有神經(jīng)元中少量的神經(jīng)元被激活，從而處于活躍狀態(tài)，而其他的大部分神經(jīng)元?jiǎng)t處于睡眠狀態(tài)沒(méi)有被激活。這說(shuō)明人類(lèi)視覺(jué)在對(duì)目標(biāo)進(jìn)行觀察時(shí)用少量的神經(jīng)元就可以很好地表示目標(biāo)。稀疏表示正是由人類(lèi)視覺(jué)系統(tǒng)的工作原理啟發(fā)而提出的，并且在模式識(shí)別領(lǐng)域得到相當(dāng)廣泛的應(yīng)用。

求解稀疏方程的解實(shí)際上是一個(gè)凸優(yōu)化的問(wèn)題，可通過(guò)凸松弛算法與貪婪算法計(jì)算。在凸松弛算法中，最具代表性的是（Least Absolute Shrinkage and Selection Operator，LASSO）算法[11]，該算法計(jì)算量較大。在貪婪算法中，使用較多的是（Orthogonal Matching Pursuit，OMP）算法[12]。由于該算法具有收斂速度快的優(yōu)點(diǎn)，本文使用該算法對(duì)稀疏方程進(jìn)行求解。

2 實(shí)驗(yàn)設(shè)計(jì)和結(jié)果分析

2.1 實(shí)驗(yàn)設(shè)計(jì)

具體實(shí)驗(yàn)步驟如下所示：

步驟1：初始化，[t=1]，在目標(biāo)位置區(qū)域提取正樣本，背景區(qū)域采樣得到負(fù)樣本，在目標(biāo)區(qū)域與背景區(qū)域之間采樣得到過(guò)渡樣本，將三類(lèi)樣本構(gòu)造成目標(biāo)樣本[Y]；

步驟2：由目標(biāo)位置樣本數(shù)據(jù)構(gòu)造源數(shù)據(jù)[X]，通過(guò)稀疏子空間矩陣[D]的計(jì)算可得到與正樣本相同樣本的聚類(lèi)；

步驟3：將采集得到的聚類(lèi)粒子作為改進(jìn)粒子濾波器的輸入，經(jīng)粒子采樣、加權(quán)、估計(jì)輸出，重采樣，重復(fù)步驟3直到相似度值小于設(shè)定閾值。

2.2 實(shí)驗(yàn)結(jié)果分析

為驗(yàn)證本文提出的基于粒子濾波的稀疏子空間單目標(biāo)跟蹤算法的有效性，實(shí)驗(yàn)設(shè)計(jì)包括目標(biāo)尺寸變化和短時(shí)間目標(biāo)遮擋下的目標(biāo)跟蹤。將本文的跟蹤結(jié)果與mean?shift算法和粒子濾波算法進(jìn)行對(duì)比，定性分析跟蹤算法的性能，如圖3，圖4所示。其中，虛線(xiàn)框?yàn)楸疚乃惴?，?shí)線(xiàn)框?yàn)榱Ｗ訛V波算法，點(diǎn)線(xiàn)框?yàn)閙ean?shift算法。

2.2.1 定性分析

實(shí)驗(yàn)1：在圖3surfer視頻序列中，選取人物上半身為跟蹤目標(biāo)，目標(biāo)初始位置為[x0=]（277 135 60 120）。主要特點(diǎn)是場(chǎng)景中目標(biāo)位置發(fā)生變化和旋轉(zhuǎn)并伴有尺度變化，選取視頻1～375幀，在目標(biāo)運(yùn)動(dòng)過(guò)程中發(fā)生尺度變化，影響目標(biāo)跟蹤，實(shí)驗(yàn)結(jié)果包含視頻幀中的第30，70，200，290幀。

實(shí)驗(yàn)2：在圖4選擇的視頻序列中，選取人的臉部為跟蹤目標(biāo)，目標(biāo)初始位置為[x0=]（120 55 75 95）。主要特點(diǎn)是隨著光照發(fā)生變化對(duì)目標(biāo)追蹤的影響。選取視頻1～350幀，實(shí)驗(yàn)結(jié)果包含視頻幀中的第54，118，246，330幀。根據(jù)實(shí)驗(yàn)圖像顯示本文追蹤誤差小。

2.2.2 定量分析

圖5～圖7分別為本文算法、粒子濾波和mean?shift算法跟蹤過(guò)程中的穩(wěn)定曲線(xiàn)。在Matlab中用tic與toc口令計(jì)算對(duì)同一個(gè)視頻序列（為節(jié)約時(shí)間只計(jì)算前350幀）進(jìn)行跟蹤的時(shí)間，圖5用時(shí)23.117 2 s，圖6用時(shí)24.627 3 s，圖7用時(shí)28.764 4 s。根據(jù)實(shí)驗(yàn)時(shí)間可知，本文算法在時(shí)間上得到了提高，由穩(wěn)定曲線(xiàn)圖分析，本文算法相對(duì)穩(wěn)定。

3 結(jié) 論

本文通過(guò)實(shí)驗(yàn)驗(yàn)證改進(jìn)后的粒子濾波的有效性，將改進(jìn)的粒子濾波和稀疏子空間理論結(jié)合，實(shí)現(xiàn)對(duì)采樣粒子的預(yù)處理，減少后面算法的冗余計(jì)算，提出基于改進(jìn)粒子濾波的稀疏子空間單目標(biāo)跟蹤算法。最后由實(shí)驗(yàn)結(jié)果的定量和定性分析總結(jié)可知，本文算法在時(shí)間上得到加快，并且對(duì)光照變化和尺度變化所帶來(lái)影響的魯棒性提高。

參考文獻(xiàn)

[1] WANG H， YUAN C， LUO G， et al. Action recognition using linear dynamic systems [J]. Pattern recognition， 2013， 46（6）： 1710?1718.

[2] YANG S， YUAN C， WANG H， et al. Combining sparse appearance features and dense motion features via random forest for action detection [C]// 2013 IEEE International Conference on Acoustics. [S.l.]： IEEE， 2013： 2415?2419.

[3] 許婉君，侯志強(qiáng)，余旺盛，等.基于顏色和空間信息的多特征融合目標(biāo)跟蹤算法[J].應(yīng)用光學(xué)，2015，36（5）：755?761.

XU Wanjun， HOU Zhiqiang， YU Wangsheng， et al. Multi feature fusion target tracking algorithm based on color and space information [J]. Applied optics， 2015， 36（5）： 755?761.

[4] 陳蕓，吳飛，荊曉遠(yuǎn)，等.魯棒低秩稀疏表示的在線(xiàn)目標(biāo)跟蹤[J].計(jì)算機(jī)工程與設(shè)計(jì)，2016，37（4）：1062?1066.

CHEN Yun， WU Fei， JING Xiaoyuan， et al. Robust low rank sparse representation for online target tracking [J]. Computer engineering and design， 2016， 37（4）： 1062?1066.

[5] 趙二群.視覺(jué)神經(jīng)系統(tǒng)仿生模型及其應(yīng)用研究[D].長(zhǎng)沙：湖南大學(xué)，2014.

ZHAO Erqun. Bionic model of visual neural system and its application research [D]. Changsha： Hunan University， 2014.

[6] HINAULT T， DUFAU S， LEMAIRE P. Strategy combination in human cognition： a behavioral and ERP study in arithmetic [J]. Psychonomic bulletin & review， 2015， 22（1）： 190?199.

[7] OLSHAUSEN B A， FIELD D J. Natural image statistics and efficient coding [J]. Network， 2009， 7（2）： 333.

[8] 周小娟，李春曉.基于偏最小二乘分析和稀疏表示的目標(biāo)跟蹤算法[J].重慶郵電大學(xué)學(xué)報(bào)（自然科學(xué)版），2014，26（1）：104?110.

ZHOU Xiaojuan， LI Chunxiao. Target tracking algorithm based on partial least squares analysis and sparse representation [J]. Journal of Chongqing University of Posts and Telecommunications （natural science edition）， 2014， 26（1）： 104?110.

[9] 梁錦錦，吳德.稀疏[L1]范數(shù)最小二乘支持向量機(jī)[J].計(jì)算機(jī)工程與設(shè)計(jì)，2014，35（1）：293?296.

LIANG Jinjin， WU De. Sparse [L1] norm least squares support vector machine [J]. Computer engineering and design， 2014， 35（1）： 293?296.

[10] CHEN Guoxin， CHEN Shengchang， WANG Hanchuang， et al. Sparse reconfiguration of geophysical data based on L0 norm minimization [J]. Applied geophysics， 2013， 10（2）： 181?190.

[11] BAI T， LI Y F. Robust visual tracking with structured sparse representation appearance model [J]. Pattern recognition， 2012， 45（6）： 2390?2404.

[12] TIBSHIRANI R. Regression shrinkage and selection via the Lasso [J]. Journal of the royal statistical society， 2011， 73（3）： 273?282.