基于Kalman濾波與樣本加權(quán)的壓縮感知跟蹤算法

于德鑫 曹曉杰 楊敏 趙鵬德

摘 要：針對(duì)壓縮感知跟蹤算法在目標(biāo)移動(dòng)過快時(shí)易丟失跟蹤目標(biāo)和跟蹤準(zhǔn)確性不高的缺點(diǎn)，提出了改進(jìn)的壓縮感知跟蹤算法。該算法引入加權(quán)函數(shù)輔助判斷正負(fù)樣本，使用加權(quán)后的樣本計(jì)算特征找到下一幀的目標(biāo)中心位置，當(dāng)目標(biāo)移動(dòng)過快時(shí)，使用卡爾曼濾波對(duì)當(dāng)前幀目標(biāo)位置進(jìn)行預(yù)測(cè)。對(duì)不同測(cè)試序列的跟蹤結(jié)果表明，改進(jìn)后算法能夠穩(wěn)定跟蹤目標(biāo)，有效地解決了目標(biāo)移動(dòng)過快時(shí)易丟失跟蹤目標(biāo)的問題，并且具有較高的準(zhǔn)確性。

關(guān)鍵詞： 壓縮感知;加權(quán)函數(shù);卡爾曼;準(zhǔn)確性

【Abstract】 Aiming at the shortcomings of the compressed sensing tracking algorithm， which was easy to lose the tracking target and has the low tracking accuracy when the target moved too fast， an improved compressed sensing tracking algorithm is proposed. The algorithm introduces a weighting function to assist in judging positive and negative samples， and uses the weighted sample to calculate features to find the target center position of the next frame. Kalman filter is used to predict the current frame target position when the target moved too fast. The tracking results of different test sequences show that the improved algorithm can stably track the target， effectively solve the problem that the target is easy to lose the tracking target when moving too fast， and obtains high accuracy.

【Key words】 ?compressive sensing; weighted function; Kalman; accuracy

0 引 言

目標(biāo)跟蹤技術(shù)是計(jì)算機(jī)視覺領(lǐng)域中最熱門的研究課題之一[1-3]，主要應(yīng)用于安全監(jiān)控、人機(jī)交互、智能車輛、軍事、交通運(yùn)輸、醫(yī)療診斷等領(lǐng)域，具有重要的研究意義和應(yīng)用價(jià)值。自二十一世紀(jì)以來，目標(biāo)跟蹤技術(shù)受到國(guó)內(nèi)外廣大研究學(xué)者的關(guān)注，并提出了大量的優(yōu)秀算法，如TLD[4]、KCF[5]、MEEM[6]、HCF[7]、STRUCK[8]、MDNET[9]、MCPF[10]及LMCF[11]算法等，但是現(xiàn)如今在目標(biāo)跟蹤領(lǐng)域仍然有大量的難題，如何應(yīng)對(duì)不斷變化的光照、目標(biāo)被遮擋問題、目標(biāo)發(fā)生形變、尺度不斷變化以及目標(biāo)所處復(fù)雜環(huán)境等因素的影響，從而實(shí)現(xiàn)準(zhǔn)確、穩(wěn)定、實(shí)時(shí)的目標(biāo)跟蹤，這一系列問題是亟需解決的。

時(shí)下，立足于準(zhǔn)確、穩(wěn)定目標(biāo)跟蹤的研究，Zhang等人[12]將壓縮感知引入到目標(biāo)跟蹤中，提出了一種基于壓縮感知的跟蹤算法（CT）。該跟蹤算法首先依據(jù)壓縮感知理論對(duì)圖像樣本特征進(jìn)行降維，然后采用樸素貝葉斯分類器對(duì)降維后的特征進(jìn)行分類。該算法雖然簡(jiǎn)單高效，但是在復(fù)雜環(huán)境下和目標(biāo)快速移動(dòng)時(shí)，容易跟丟目標(biāo)，且跟蹤準(zhǔn)確性不好。

針對(duì)CT跟蹤算法的不足，本文在CT跟蹤算法框架下做出如下改進(jìn)：在采集正負(fù)樣本時(shí)，引入加權(quán)函數(shù)輔助判斷正負(fù)樣本，很大程度上提高了判斷正負(fù)樣本的正確率;當(dāng)目標(biāo)運(yùn)動(dòng)過快時(shí)，用卡爾曼濾波算法預(yù)測(cè)當(dāng)前幀目標(biāo)的位置，解決目標(biāo)運(yùn)動(dòng)過快而導(dǎo)致的目標(biāo)跟丟問題，并保證跟蹤的準(zhǔn)確性。

1 CT跟蹤算法簡(jiǎn)介

1.1 CT跟蹤算法特征提取

3 算法設(shè)計(jì)流程

研究中，將給出本文改進(jìn)CT算法的跟蹤流程，具體如下：

（1）手動(dòng)選取第一幀跟蹤目標(biāo)。

（2）在當(dāng)前第t幀圖像的目標(biāo)中心鄰近區(qū)域選取目標(biāo)樣本，距離中心較遠(yuǎn)位置選取背景樣本，引入加權(quán)函數(shù)輔助采集正負(fù)樣本，距離目標(biāo)中心越近的樣本將被賦予更大的權(quán)重，若被賦予的權(quán)重小于給定閾值則判定為背景樣本。

（3）計(jì)算目標(biāo)樣本和背景樣本的特征。

（4）使用樸素貝葉斯分類器對(duì)每個(gè)特征向量進(jìn)行分類，最大分類得分的特征向量對(duì)應(yīng)的目標(biāo)位置作為跟蹤結(jié)果。

（5）采集目標(biāo)樣本和背景樣本并更新分類器。

（6）判斷目標(biāo)移動(dòng)是否過快：若是，則用卡爾曼濾波算法預(yù)測(cè)當(dāng)前幀目標(biāo)位置;若否，則跳轉(zhuǎn)到（2）進(jìn)行下一幀處理。

改進(jìn)CT算法的設(shè)計(jì)流程如圖2所示。

4 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證改進(jìn)后算法的有效性，將改進(jìn)后算法和CT算法在2個(gè)已公開的標(biāo)準(zhǔn)測(cè)試序列上進(jìn)行對(duì)比實(shí)驗(yàn)。在Matlab上通過對(duì)比實(shí)驗(yàn)，得到如圖3和圖4所示的跟蹤結(jié)果，其中淺色框是CT算法跟蹤結(jié)果，深色框?yàn)楦倪M(jìn)后算法跟蹤結(jié)果。

圖3是部分Girl測(cè)試序列的結(jié)果，在序列Girl中存在目標(biāo)姿態(tài)變化、目標(biāo)遮擋和目標(biāo)移動(dòng)過快等干擾因素。在CT算法跟蹤過程中，目標(biāo)在第2幀就開始發(fā)生了輕微偏移。隨著跟蹤幀數(shù)增加，目標(biāo)姿態(tài)和大小不斷變化，當(dāng)跟蹤到第55幀時(shí)，改進(jìn)前后的算法都發(fā)生了嚴(yán)重漂移，但是跟蹤到第257幀時(shí)，改進(jìn)后的跟蹤算法可以準(zhǔn)確跟蹤到目標(biāo)，CT算法卻仍然發(fā)生漂移，在第435幀時(shí)，目標(biāo)出現(xiàn)遮擋情況，2種算法都沒能很好地跟蹤到目標(biāo)。

圖4是部分Basketball測(cè)試序列的結(jié)果，在序列Basketball中存在背景復(fù)雜、目標(biāo)遮擋和目標(biāo)移動(dòng)過快等干擾因素。改進(jìn)前后算法在前73幀中都能夠穩(wěn)定且準(zhǔn)確地跟蹤目標(biāo)。由于目標(biāo)姿態(tài)不斷變化，目標(biāo)移動(dòng)加快，當(dāng)跟蹤到第172幀時(shí)，CT算法開始出現(xiàn)向上漂移的趨勢(shì)。直到跟蹤到第242幀時(shí)，CT算法出現(xiàn)嚴(yán)重漂移，改進(jìn)后算法仍然可以準(zhǔn)確跟蹤目標(biāo)。在第280幀出現(xiàn)與目標(biāo)相似的背景時(shí)，CT算法嚴(yán)重跟蹤漂移，出現(xiàn)跟蹤錯(cuò)誤目標(biāo)的趨勢(shì)，到第304幀時(shí)，CT算法出現(xiàn)跟丟目標(biāo)情況，而改進(jìn)后算法卻始終穩(wěn)定且準(zhǔn)確地跟蹤目標(biāo)。

為定量評(píng)估本文算法的跟蹤性能，本文基于中心位置誤差（Center Location Error）評(píng)價(jià)指標(biāo)對(duì)本文算法與原始CT跟蹤算法進(jìn)行定量的對(duì)比分析，中心位置誤差主要是指跟蹤所得目標(biāo)框的中心與真實(shí)基準(zhǔn)中心之間的歐式距離[16]。沒有跟丟目標(biāo)的前提下，在CT算法中，Girl序列平均中心位置誤差為18.99像素，Basketball序列為23.03像素;在改進(jìn)后的CT算法中，Girl序列為15.66像素，Basketball序列為9.69像素。為了能夠更直觀地分析2種算法的跟蹤性能，圖5和圖6給出了改進(jìn)前后算法在2個(gè)序列中心位置誤差的對(duì)比圖。

5 結(jié)束語

本文針對(duì)CT算法的缺點(diǎn)，提出了基于卡爾曼濾波與樣本加權(quán)的壓縮感知跟蹤算法。在采集正負(fù)樣本時(shí)，引入加權(quán)函數(shù)輔助判斷正負(fù)樣本，解決了CT算法常常把帶有背景信息的樣本判定為正樣本的缺點(diǎn)，很大程度上提高了判斷正負(fù)樣本的正確率;當(dāng)目標(biāo)運(yùn)動(dòng)過快時(shí)，用卡爾曼濾波算法預(yù)測(cè)當(dāng)前幀目標(biāo)的位置，解決目標(biāo)運(yùn)動(dòng)過快而導(dǎo)致目標(biāo)跟丟的問題，并保證跟蹤的準(zhǔn)確性。從對(duì)比實(shí)驗(yàn)的評(píng)價(jià)結(jié)果來看，改進(jìn)后算法能夠有效跟蹤目標(biāo)，并且穩(wěn)定性和準(zhǔn)確性均有所提高。但改進(jìn)后算法并不能很好解決目標(biāo)遮擋因素的干擾，故下一步研究重點(diǎn)是如何克服目標(biāo)遮擋問題。

參考文獻(xiàn)

[1]盧湖川，李佩霞，王棟. 目標(biāo)跟蹤算法綜述[J]. 模式識(shí)別與人工智能，2018，31（1）：61-76.

[2]WU Yi，LIM J，YANG M H. Online object tracking：A benchmark[C]// IEEE Conference on Computer Vision and Pattern Recognition. Portland， OR， USA：IEEE，2013：2411-2418.

[3]管皓，薛向陽，安志勇. 在線單目標(biāo)視頻跟蹤算法綜述[J].小型微型計(jì)算機(jī)系統(tǒng)，2017，38（1）：147-153.

[4]KALAL Z，MIKOLAJCZYK K，MATAS J. Tracking-learning-detection[J]. 2013 IEEE Transactions on Pattern Analysis and Machine Intelligence，2012，34（7）：1409-1422.

[5]HENRIQUES J F，CASEIRO R，MARTINS P，et al. High-speed tracking with kernelized correlation filters[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2015，37（3）：583-596.

[6]ZHANG Jianming，MA Shugao，SCLAROFF S. Meem：robust tracking via multiple experts using entropy minimization[C]// PAJDLA D， PAJDLA T， SCHIELE B， et al. Computer Vision-ECCV 2014. ECCV 2014. Lecture Notes in Computer Science. Cham：Springer， 2014，8694：188-203.

[7]MA Chao，HUANG Jiabin，YANG Xiaokang，et al. Hierarchical convolutional features for visual tracking[C]// IEEE International Conference on Computer Vision.Santiago，Chile：IEEE，2015：3074-3082.

[8]HARE S，GOLODETZ S，SAFFARI A，et al. Struck：Structured output tracking with kernels[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2016，38（10）：2096-2109.

[9]NAM H，HAN B. Learning multi-domain convolutional neural networks for visual tracking[C]// IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas， Nevada， USA：IEEE，2016：4293-4302.

[10]ZHANG Tianzhu，XU Changsheng，YANG M H. Multi-task correlation particle filter for robust object tracking[C]// 2017.IEEE Conference on Computer Vision & Pattern Recognition.Honolulu， HI， USA：IEEE，2017：4819-4827.

[11]WANG Mengmeng，LIU Yong，HUANG Zeyi. Large margin object tracking with circulant feature maps[C]// IEEE Conference on Computer Vision and Pattern Recognition.Honolulu，HI：IEEE，2017：4021-4029

[12]ZHANG K H，ZHANG L，YANG M H. Real-time compressive tracking[C]//Proceedings of the 12th European Conference on Computer Vision. Florence， Italy：IEEE，2012，7574 （1）：864-877.

[13]張新堃，黃山. 結(jié)合Kalman濾波的時(shí)空上下文目標(biāo)跟蹤算法[J]. 電光與控制，2018，25（11）：102-105，119.

[14]張偉麗，江春華，郝宗波. 基于改進(jìn)的均值漂移和卡爾曼濾波的目標(biāo)跟蹤算法[J]. 計(jì)算機(jī)應(yīng)用與軟件，2014，31（5）：240-243.

[15]趙廣輝，卓松，徐曉龍. 基于卡爾曼濾波的多目標(biāo)跟蹤方法[J].計(jì)算機(jī)科學(xué)，2018，45（8）：253-257，276.

[16]徐建強(qiáng)，陸耀. 一種基于加權(quán)時(shí)空上下文的魯棒視覺跟蹤算法[J].自動(dòng)化學(xué)報(bào)，2015，41（11）：1901-1912.