摘要： 超像素能夠降低圖像的冗余信息，減少圖像后續(xù)處理的復雜度，已受到了國內(nèi)外學者的廣泛關注。為了降低運動目標跟蹤過程中受內(nèi)外因素影響而發(fā)生漂移的概率，本文提出了一種單目標跟蹤算法。首先分析了運動目標跟蹤算法和超像素分割算法的概念原理和發(fā)展現(xiàn)狀，然后基于SLIC超像素分割算法和粒子濾波算法構建運動目標跟蹤算法。本算法能夠較好地實現(xiàn)判別式跟蹤，具有較好的魯棒性和準確性。

關鍵詞：超像素；圖像分割；SLIC；目標跟蹤

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2018）32-0201-02

Abstract：Superpixels can reduce the redundant information of images， and it can also reduce the complexity of the subsequent image processing. So up to now superpixels have been widely concerned by scholars at home and abroad. In order to reduce the probability of drifting in the process of moving target tracking which may be affected by internal and external factors， one single target tracking algorithm is proposed in this paper. Firstly， the concept and development of moving target tracking algorithm and superpixel segmentation algorithm are analyzed. Then， a moving object tracking algorithm is constructed based on SLIC superpixel segmentation algorithm and particle filter algorithm. The algorithm can achieve discrimitive tracking better， and has better robustness and accuracy.

Key words：Superpixel； Image Segmentation；SLIC； Target Tracking

1 前言

隨著機器學習、深度學習等人工智能技術的快速發(fā)展，計算機視覺技術也得到了迅猛的發(fā)展。目前，作為計算機視覺技術的一個重要分支，運動目標跟蹤技術得到了廣泛的關注和應用，例如現(xiàn)場監(jiān)控、智能交通、人機交互、軍事制導等眾多領域。

運動目標跟蹤技術是一種融合了圖像處理、模式識別、自動控制等多種不同技術的跨學科研究內(nèi)容，一般根據(jù)跟蹤對象的不同，可以分為單目標跟蹤和多目標跟蹤。

近年來，單目標跟蹤技術的研究取得了飛速的發(fā)展，相關研究人員分別提出了眾多優(yōu)秀的目標跟蹤算法。但是這些算法在處理目標運動過程中遇到的一系列內(nèi)外干擾因素時仍然面臨著漂移或失敗的挑戰(zhàn)，例如混雜背景、光照變化、剛性變換、重度遮擋等。

2 運動目標跟蹤算法概述

運動目標跟蹤一般是指對視頻圖像序列中的運動目標進行檢測和跟蹤。相關步驟如下：首先在視頻圖像序列中獲取待跟蹤的目標區(qū)域，并確定其在起始幀圖像中區(qū)域坐標，然后依據(jù)一種或多種特征描述方法構建運動目標的外觀模型，如梯度、紋理、顏色等多維度的特征信息，再結合粒子濾波、卡爾曼濾波等搜索算法，在后續(xù)的圖像幀序列中利用前后連續(xù)圖像幀特征信息的相關性進一步得到后續(xù)幀中運動目標的運行軌跡和狀態(tài)數(shù)據(jù)等，以便后續(xù)后期對運動目標的行為、狀態(tài)等進行觀測與理解。

由于在現(xiàn)實運動目標跟蹤過程中，目標容易受到周圍復雜場景影響導致外觀特征的變化，因此如何設計一個自適應的表觀模型是目標跟蹤算法成功的重要基礎。

近年來，外觀模型的設計引起相關研究人員的廣泛關注。一般而言，基于外觀模型可以將跟蹤算法分為生成式跟蹤算法和判別式跟蹤算法兩種。其中，生成式跟蹤算法首先對目標外觀模型進行建模，然后估算連續(xù)運動狀態(tài)下目標與模板的聯(lián)合概率分布，并基于貝葉斯理論依據(jù)最小重構誤差找到最優(yōu)跟蹤目標，常見的生成式跟蹤算法有IVT、L1APG、ALSA等。而判別式跟蹤算法把目標跟蹤看作一個二分類任務，把任一圖像幀分為目標圖像區(qū)域和背景圖像區(qū)域兩部分，其中目標圖像區(qū)域為正樣本，背景圖像區(qū)域分為負樣本，并通過在線更新增量學習判別式分類函數(shù)，以此提高計算效率，常見的判別式跟蹤算法有MIL、TLD、STRUCK等。隨著人工智能、機器學習的飛速發(fā)展，目前已經(jīng)提出了一系列基于學習的判別式跟蹤方法，并在運動目標跟蹤算法中占據(jù)了主流地位，主要包括基于在線 boosting的判別式跟蹤算法、基于SVM的判別式跟蹤算法、基于在線檢測學習的判別式跟蹤算法、基于深度學習的判別式跟蹤算法和基于相關濾波的判別式跟蹤算法。

3 超像素分割算法概述

超像素分割算法最早于2003年由Ren等人提出，是指具有相似顏色、亮度、紋理等特征的相鄰像素構成的有一定視覺意義的不規(guī)則像素塊。經(jīng)過十多年的不斷發(fā)展，目前常用的超像素分割算法從運算原理上可以分為基于圖論的方法和基于梯度下降的方法，前者主要有Graph-based方法、Ncut方法、Superpixel lattice方法和基于熵率的方法，后者主要有分水嶺方法、基于Mean-shift方法、Turbopixels方法和SLIC 方法。

超像素分割算法的基本原理如下：第一步是聚類相鄰像素間的相似特征，將特征相似、空間位置相近的像素劃歸為一個“超像素”區(qū)域，第二步是以“超像素”作為圖像分割處理的基本單位，分類合并，進而產(chǎn)生有效有用的圖像分割區(qū)域。進而可以用少量的超像素代替大量的像素來表達圖片特征，較大程度地降低了圖像后處理的復雜度，這也是本文研究的出發(fā)點和關鍵所在。

目前，基于SLIC（Simple Linear Iterative Clustering，簡單線性迭代聚類）的超像素分割方法在運動目標跟蹤過程中得到了較為廣泛的應用，其圖像分割效果圖如圖1所示，基本原理如式（1）所示。先將彩色圖像轉(zhuǎn)化為XY坐標下CIELAB顏色空間的5維特征向量，然后對該5維特征向量構造距離度量標準，再對圖像像素進行局部聚類。SLIC算法的優(yōu)點是能夠生成均勻緊湊的超像素，在實現(xiàn)速度和輪廓保持方面具有較高的評價，能夠較好地達到預期的分割效果。

（1）訓練待測圖像幀序列中的前10幀，得到初始目標字典D。一般先指定目標在第一幀的位置，然后利用meanshift算法跟蹤剩余訓練幀，每一幀用SLIC超像素分割算法獲得超像素并提取特征。將訓練階段得到的所有超像素構成特征池，再用k-means聚類方法對該特征池進行聚類，得到初始目標字典。此處要注意的是，該初始目標字典中包括目標前景和背景的相關信息，一般通過設置置信值標識某一超像素聚類與目標前景的相似程度。

（2）訓練階段完成后，從第11幀開始，結合粒子濾波算法實現(xiàn)在線運動目標實時跟蹤。一般基于上一幀的目標位置構建600個候選目標，然后分別和初始目標字典進行匹配，從中選出最優(yōu)粒子作為當前幀的在線跟蹤結果。

（3）在跟蹤過程中，目標可能受到多種內(nèi)外因素的影響而產(chǎn)生跟蹤結果的漂移。其主要原因是當發(fā)生重度遮擋、混雜背景、非剛性變化等影響時，原先的初始目標字典已經(jīng)無法準確地表示當前運動目標的表觀模型。因此一般需要每隔15幀左右進行在線目標字典的更新，需要注意的是，當發(fā)生重度遮擋影響時，需要制定自適應的更新策略。

（4）跟蹤完成后，一般可以采用定量和定性兩種方式實現(xiàn)對算法跟蹤效果的評估。定量分析可以采用跟蹤成功率（TSR）、平均中心誤差（ACE）、平均覆蓋率（AOR）等分析方法，定性分析可以采用OTB2015 Benchmark采用的31種算法和100個視頻序列場景進行對比分析。

5 結語

本文提出了一種基于超像素的局部判別式單目標跟蹤算法。實驗結果表明，該算法具有較好的魯棒性和準確性，但是運算復雜度較高，需要在后期研究中做進一步改進。

參考文獻：

[1] 邱曉榮，彭力，劉全勝.基于超像素和判別稀疏的運動目標跟蹤算法[J].計算機工程與應用，2018，54（15）：1-5.

[2] 邱曉榮，彭力，劉全勝.基于超像素與BoF的運動目標跟蹤算法[J].現(xiàn)代電子技術，2018，41（6）：37-40+44.

[3] 齊苑辰，吳成東，陳東岳，等.基于稀疏表達的超像素跟蹤算法[J].電子與信息學報，2015，37（3）：529-535.

[4] Yang F， Lu H， Yang M H. Robust Superpixel Tracking[J]. IEEE Transactions on Image Processing， 2014， 23（4）： 1639-1651.

[5] 程旭，郭海燕，李擬珺，等.一種基于超像素的局部判別式跟蹤算法[J].東南大學學報（自然科學版），2014，44（6）：1105-1110.

[6] 王春瑤，陳俊周，李煒.超像素分割算法研究綜述[J].計算機應用研究，2014，31（1）：6-12.

[7] 張娟，毛曉波，陳鐵軍.運動目標跟蹤算法研究綜述[J].計算機應用研究，2009，26（12）：4407-4410.

【通聯(lián)編輯：唐一東】