視頻追蹤算法研究

張麗娟 李澤仁

摘 要 簡要介紹了視頻追蹤的簡單知識，系統(tǒng)全面的介紹了視頻追蹤的幾種算法，包括基于自適應(yīng)顏色屬性的追蹤算法、基于壓縮感知理論的追蹤算法、基于概率連續(xù)異常值的追蹤算法。

關(guān)鍵詞 視頻追蹤；顏色屬性；壓縮感知；概率連續(xù)異常值

中圖分類號 G2 文獻(xiàn)標(biāo)識碼 A 文章編號 2096-0360（2015）01-0037-02

視頻追蹤是近年來新興的一個研究方向，它融合了計(jì)算機(jī)視覺，模式識別等學(xué)科技術(shù)，在安全監(jiān)控，視頻壓縮與檢索等方面有廣闊應(yīng)用前景。系統(tǒng)以圖像序列輸入，輸出則是圖像中目標(biāo)的各種屬性，如大小，位置等。其目的是為了判斷圖像序列中目標(biāo)的位置。影響視頻追蹤的原因有多個，如光照不變、部分遮擋、變形等。追蹤算法通常分為生成式算法和判別式算法。

1 基于自適應(yīng)顏色屬性的追蹤算法

1.1 追蹤器

追蹤器是從單一圖像片段中學(xué)習(xí)一種核心的最小二乘目標(biāo)分類器，該追蹤器具有顯著速度的關(guān)鍵是這種追蹤器研究出的循環(huán)結(jié)構(gòu)似乎能夠從局部圖像片段中進(jìn)行周期性假設(shè)，這里我們簡要介紹一下該算法。

這種分類器使用一種單一的灰度圖像片段進(jìn)行訓(xùn)練，圖像片段的大小是的，且分布在目標(biāo)對象的中心。這種追蹤器考慮所有的循環(huán)變化，，并將其作為分類器的訓(xùn)練樣本。這些樣本以一種高斯函數(shù)來進(jìn)行標(biāo)記，以便用來標(biāo)記。這種分類器通過成本函數(shù)最小化（1）進(jìn)行訓(xùn)練，如下式所示。

（1）

這里是通過核函數(shù)誘導(dǎo)得到的希爾伯特空間的映射，內(nèi)積定義為，常數(shù)是一個正則化參數(shù)。成本函數(shù)（1）是由最小得到的，這里的系數(shù)定義

如下：

（2）

這里是離散傅里葉變換。我們定義離散傅里葉變換：，這里是由核函數(shù)輸出得到的。等式（2）中若是平移不變的，也就是對于所有的，都有。

在新的一幀中，檢測步驟是通過對大小為的灰色圖像片段進(jìn)行第一次裁剪而執(zhí)行的。檢測的分?jǐn)?shù)是由計(jì)算得到的，這里的是樣本片段的傅里葉變換核輸出。這里表示目標(biāo)外觀的灰度圖像片段，并且是由多種幀獲得的。在新的一幀，目標(biāo)位置是通過尋找合適的變換以找到的最大分?jǐn)?shù)來估計(jì)的。這里的核輸出和能夠通過使用快速傅里葉變換有效地計(jì)算出來。

1.2 算法思想

最先進(jìn)的視覺追蹤器依靠亮度信息或使用簡單的顏色表示來對圖像進(jìn)行描述。與視覺追蹤相反的是，對象識別和檢測、復(fù)雜的顏色特性結(jié)合亮度顯示時能夠提供較好的性能。由于追蹤的復(fù)雜性，應(yīng)該高效的計(jì)算所需的顏色特性，擁有一定數(shù)量的光度不變性，同時保持高辨別力?；诖?，本節(jié)提出了該算法，該算法是在追蹤器的基礎(chǔ)上獲得的新算法，由于追蹤器對于多通道信號的處理結(jié)果是次優(yōu)的，從而為了解決這個問題，本文自適應(yīng)的更新樣本，采用多通道追蹤器進(jìn)行訓(xùn)練。高維物體的顏色屬性能夠?qū)е掠?jì)算量的增加，因此限制了該算法的應(yīng)用。

2 基于壓縮感知理論的追蹤算法

2.1 壓縮感知理論

2.1.1 隨機(jī)投影

設(shè)置一個隨機(jī)矩陣，該矩陣的行是從高維圖像空間到低維空間的單位長度的投影數(shù)據(jù)，符號表示為

（3）

隨機(jī)矩陣中n<

2.1.2 隨機(jī)測量矩陣

滿足限制等距特性的一種典型的測量矩陣是隨機(jī)高斯矩陣，下面的，當(dāng)這個矩陣是稠密的，并且是很大的情況下，該矩陣的存儲和計(jì)算量仍然是很大的。在本小節(jié)中，使用了一個非常稀疏隨機(jī)測量矩陣，其定義如下：

（4）

Achlioptas[2]證明了這種類型的矩陣在時滿足Johnson-Lindenstranss引理。這種矩陣只需要一種統(tǒng)一的隨機(jī)生成器，便很容易的計(jì)算出來。更重要的是，當(dāng)時，這種矩陣是非常稀疏的，因?yàn)檫@時可以避免計(jì)算量的2/3。另外，

Liet al.[3]指出，這種矩陣是近似正態(tài)分布的。在本小節(jié)中，我們設(shè)置，從而得到一個非常稀疏的隨機(jī)矩陣。

2.2 算法思想

在壓縮領(lǐng)域，本文介紹了一個有效的基于多尺度特征空間的特征提取的方法來構(gòu)造外觀模型，同時將正負(fù)樣本通過尺度變換，對樣本量進(jìn)行擴(kuò)充；再對擴(kuò)充的樣本進(jìn)行壓縮，然后將這個多尺度的樣本空間的樣本通過稀疏矩陣投影到低維空間中。構(gòu)造的外觀模型用來生成基于特征提取的目標(biāo)，它也是判別式的。

3 基于概率連續(xù)異常值的追蹤算法

3.1 基于概率連續(xù)異常值的追蹤框架

視頻追蹤被看作一種隱馬爾可夫模型的貝葉斯推理任務(wù)。給定一系列觀測樣本，

直到第幀的位置，其目的是遞歸地估計(jì)隱藏的狀態(tài)變量，，這里代表兩種連續(xù)狀態(tài)間的運(yùn)動模型，表示觀測模型，該觀測模型能夠估測屬于目標(biāo)類型的觀測圖像片段的可能性。類似于增量視覺追蹤方法

[4]，我們使用仿射變換的6個參數(shù)來表示運(yùn)動模型。狀態(tài)變換通過無規(guī)則運(yùn)動表述，也就是說，，這里是一個對角協(xié)方差矩陣。

3.1.1 觀測模型

假設(shè)兩個連續(xù)幀之間指標(biāo)向量變化非常小，我們建立一個基于自由異常值最小二乘法的似然函數(shù)。對于每一個對應(yīng)于預(yù)測狀態(tài)的觀測圖像矢量來說，我們通過最小二乘算法來解決下面的方程式，方程式如下

（5）

這里表示狀態(tài)下第位置樣本，是幀指標(biāo)，代表按元素排列的乘法算子。是第幀位置上基于概率連續(xù)異常值算法得到的指標(biāo)向量。在最理想的得到之后，觀測的可能性可以通過下式測量得到

（6）

這里在本文中被設(shè)為0.1。

3.1.2 在線更新

在該算法中，指標(biāo)向量的零元件能夠識別異常值，獲得每一幀最佳狀態(tài)后，提取相應(yīng)的觀測向量，推斷指標(biāo)向量。然后，通過取代平均向量的相應(yīng)部分異常值來恢復(fù)觀測向量

（7）

這里表示恢復(fù)樣本，代表按元素排列的乘法算子。這個恢復(fù)樣本能夠累積，還可被用來更新通過增量主成分分析方法獲得所需的追蹤器。此外，推斷出的指標(biāo)向量已儲存，然后用于下一幀。

3.2 算法思想

本小節(jié)采用一種新穎的概率連續(xù)異常值方法來描述出現(xiàn)在線性表示模型中的連續(xù)異常值。在該算法中，噪聲觀測模型要么可以用小高斯噪聲的主成分分析子空間來表示，或者可以被看作在一個統(tǒng)一值之前的一個任意值，在這個噪聲觀測模型里，空間之前的一致性充分利用的是一種二元馬爾可夫隨機(jī)領(lǐng)域模型。然而，本文中能夠推導(dǎo)出概率連續(xù)異常值模型的目標(biāo)函數(shù)，其解決方案是能夠通過自由異常值的最小二乘法和標(biāo)準(zhǔn)最大流、最小裁剪方法反復(fù)迭代獲得。最后，本文設(shè)計(jì)一個有效的觀測似然函數(shù)和一種視頻追蹤的樣本更新方法。無論從定量分析還是定性分析，該算法都能顯示比其他算法在精確度和速度方面的優(yōu)越性。

4 小結(jié)

本文重點(diǎn)介紹了基于自適應(yīng)顏色屬性的追蹤算法、基于壓縮感知理論的追蹤算法和基于概率連續(xù)異常值的追蹤算法。由于影響視頻追蹤的原因復(fù)雜性，應(yīng)該根據(jù)不同的原因選擇不同的算法。在系統(tǒng)設(shè)計(jì)中，應(yīng)該根據(jù)具體的精度要求，計(jì)算復(fù)雜度要求和實(shí)時性要求等采用不同的追蹤算法。多種算法的聯(lián)合使用可以有效地克服單一算法的局限性，因此應(yīng)該著重于該方向的研究工作，使追蹤算法更具有精確度、實(shí)時性和魯棒性。

參考文獻(xiàn)

[1]范春宇.視頻跟蹤技術(shù)研究[D].西安電子科技大學(xué)，2007.

[2]Achlioptas， D.： Database-friendly random projections： Johnson-Lindenstrauss with binary coins. J. Comput. Syst. Sci 66（2003）671-687.

[3]Li， P.， Hastie， T.， Church， K.： Very sparse random projections. In KDD（2006）287-296.

[4]D. Ross， J. Lim， R.-S. Lin and M.-H. Yang. Incremental learning for robust visual tracking. International Journal of Computer Vision，77（1-3）：125-141.