一種改進(jìn)CSK目標(biāo)跟蹤算法

劉勇

摘要 CSK（ circulant structurekernel）運(yùn)動目標(biāo)跟蹤算法具有跟蹤穩(wěn)定、計算量小、抗光照干擾等優(yōu)點(diǎn);根據(jù)上一幀圖像的基本特征和相關(guān)的信息，訓(xùn)練出分類器，來對實時目標(biāo)進(jìn)行鎖定跟蹤。這是如此，CSK算法對抗遮擋的魯棒性很差，假如跟蹤目標(biāo)在某一時刻被遮擋了，則將跟丟目標(biāo)。為了解決CSK算法的遮擋問題，本文引入VIBE運(yùn)動目標(biāo)檢測算法，利用VIBE算法的計算量小，需要的樣本少，可在短時間內(nèi)檢測出目標(biāo)，然后重新對目標(biāo)進(jìn)行鎖定，從而達(dá)到連續(xù)跟蹤的目的，實驗驗證，本算法能達(dá)到實時性，滿足系統(tǒng)需要。

【關(guān)鍵詞】VIBE CSK 跟蹤 目標(biāo)檢測

運(yùn)動目標(biāo)檢測跟蹤是當(dāng)前視覺研究的熱門方向，廣泛各類武器裝備中，如：導(dǎo)引頭，光電吊艙等設(shè)備中。同時在民用領(lǐng)域也占有很大份額，在交通監(jiān)控、視覺監(jiān)控中也廣泛應(yīng)用，同時在現(xiàn)階段熱門的AR和VR設(shè)備當(dāng)中也經(jīng)常能夠看到目標(biāo)跟蹤的身影，應(yīng)用十分廣泛。

現(xiàn)階段的目標(biāo)跟蹤算法，大致可以分為以下四大類：

（1）基于模板匹配的目標(biāo)跟蹤算法，這是在80年代的時候比較先進(jìn)的算法，典型的代表有MAD、NCC和STC等算法;

（2）根據(jù)運(yùn)動目標(biāo)的軌跡來進(jìn)行預(yù)測，通過根據(jù)預(yù)測來進(jìn)行目標(biāo)跟蹤的，常見的方法有粒子濾波跟蹤算法;

（3）通過實時的目標(biāo)檢測，從而達(dá)到實時的跟蹤效果，以檢測來代替跟蹤的跟蹤策略

（4） 21世紀(jì)后，大量的跟蹤算法涌現(xiàn)，其中最引人注目的算法類就是基于核函數(shù)的濾波跟蹤算法。這種跟蹤算法不僅計算簡便，而且僅僅只需要一張圖像就可以進(jìn)行訓(xùn)練，因此操作起來十分的簡潔方便。

傳統(tǒng)的跟蹤算法，如NCC在進(jìn)行小目標(biāo)跟蹤時，由于其本身的非旋轉(zhuǎn)性，很多時候出現(xiàn)大量的匹配誤差;而粒子濾波在現(xiàn)階段由于計算量加大，暫時還不能夠?qū)崿F(xiàn)嵌入式平臺，因此要想有一個處理速度快，跟蹤又穩(wěn)定的處理算法還是有點(diǎn)困難的，本文就是基于跟蹤算法來完成的。運(yùn)用快速核函數(shù)濾波跟蹤C(jī)SK，CSK算法對運(yùn)動目標(biāo)進(jìn)行鎖定跟蹤;基于濾波類的跟蹤算法具有一個明顯的弱點(diǎn)，就是抗遮擋能力非常弱，一旦目標(biāo)被遮擋了，則在后面的視頻當(dāng)中目標(biāo)也不在會出現(xiàn)，就算出現(xiàn)也已經(jīng)報丟失，顯示跟蹤失敗。

CSK算法在目標(biāo)跟蹤算法具有很強(qiáng)的魯棒性，但是也存在上述的一點(diǎn)缺陷。本文就是為了處理CSK跟蹤算法扛遮擋能力差的問題，在一般正常情況下采取CSK算法進(jìn)行目標(biāo)跟蹤，而如果目標(biāo)消失不見了或者發(fā)生突變現(xiàn)象，則在算法前端加上了運(yùn)動目標(biāo)檢測算法一VIBE，從而將突變位置的目標(biāo)位置傳送出去，給CSK算法來進(jìn)行跟蹤，從而達(dá)到穩(wěn)定實時的跟蹤系統(tǒng)。

1 CSK跟蹤算法介紹

圖像算法一般分為兩種：稠密型的和稀疏型。在大多數(shù)情況，為了能夠達(dá)到實時性，常規(guī)做法就是取用較少圖像像素點(diǎn)來進(jìn)行圖像處理一稀疏性，這種方式可以減小算法的負(fù)責(zé)度，使得算法能夠達(dá)到實時性，但是犧牲了算法性能，造成跟蹤或者檢測不準(zhǔn)確的情況發(fā)生。CSK算法通過單張圖片，通過循環(huán)舉證的操作，達(dá)到的稠密操作，具體做法是在行和列方向上分別做循環(huán)操作，從而達(dá)到多樣本的目的，最后進(jìn)行訓(xùn)練。而在檢測階段，算法可以采取求卷積的方式來代替?zhèn)鹘y(tǒng)的滑窗操作，進(jìn)一步提高算法的速度。

在分類器的訓(xùn)練階段，CSK算法從前一幀圖像中，以目標(biāo)為中心采集一個W*H的圖像塊i，然后對i在行和列方向上分別做循環(huán)移位，得到訓(xùn)練樣本集Ip={i（w，h）），參數(shù)w∈（0，1，2，3…W一1）、h∈（0，1，2，3…H一1），分別表示在w和H方向上做w和h次的循環(huán)移位，從而得到多個樣本，達(dá)到單個樣本變成多個樣本的目的。樣本I（w，h）的訓(xùn)練標(biāo)記為高斯函數(shù)r（W，h），整個訓(xùn)練采用百分制，目標(biāo)中心位置的值為100%，無窮遠(yuǎn)處記為O，與其距離成正比關(guān)系。最終的訓(xùn)練目的是在樣本集Ip上形成一個分類器，在后期的檢測中對待檢測區(qū)域進(jìn)行檢測。

CSK采用嶺回歸方法（Ridge Regression，即Regularized Least Squares，RLS）學(xué)習(xí)分類器，最終得到的參數(shù)是要使得如下?lián)p失函數(shù)最小的分類器參數(shù)ω，即

CSK算法采用高斯徑向基函數(shù)作為核函數(shù)k（），并利用FFT計算，采用線性插值對表觀i和分類器α進(jìn)行更新，每幀跟蹤的計算復(fù)雜度成指數(shù)形式降低。

2 融合VIBE運(yùn)動目標(biāo)檢測算法

2.1 Vibe背景建模目標(biāo)檢測算法

Vibe算法是一種用來檢測運(yùn)動目標(biāo)的檢測算法，具有計算量下、背景建模簡單、檢測目標(biāo)準(zhǔn)確等優(yōu)點(diǎn)。它的原理是：運(yùn)用第一張圖像通過給每一個像素點(diǎn)建立樣本空間，在實時的與實時圖像進(jìn)行比對，看樣本空間的像素點(diǎn)點(diǎn)是否位于實時圖像的鄰域當(dāng)中，根據(jù)處于樣本空間中的樣本個數(shù)來確定實時的區(qū)域是否是背景，從而能夠?qū)⒄鶊D像進(jìn)行分隔，將背景和目標(biāo)進(jìn)行分割;最后根據(jù)像素點(diǎn)在連續(xù)圖像中的背景次數(shù)來進(jìn)行背景模板跟新，從而達(dá)到循環(huán)的運(yùn)動目標(biāo)檢測。具體的算法實現(xiàn)步驟如下：

2.1.1 背景模板初始化

運(yùn)動目標(biāo)檢測過程中，首先要對目標(biāo)的背景進(jìn)行建模：第一步是要對第一張圖像進(jìn)行樣本空間的設(shè)定，將第一幅圖像拓展成為領(lǐng)域上的八個空間。假設(shè)SR（Vx）表示的是以實時像素點(diǎn)所構(gòu)成的圓形值域空間，且用Vx表示的樣本空間中的每一個元素與實時元素的歐式距離，如下公式（5）：

M（x）={V1，V2…，V_N}

（5）

2.1.2 目標(biāo)實時檢測

在得到了特定的運(yùn)動目標(biāo)背景以后，我們需要根據(jù)背景信息進(jìn)行運(yùn)動目標(biāo)檢測。我們將初始化值域空間中的每一個值與實時的像素值進(jìn)行求歐式距離，若反應(yīng)的歐式距離小于特定值，在N加一，當(dāng)N大于特定閾值時，也就是說SR Vx）圓形值域空間中點(diǎn)的個數(shù)大于某一個既定的閾值時，在認(rèn)為該實時像素為背景，如圖1所示，在實時像素點(diǎn)的領(lǐng)域中的點(diǎn)個數(shù)大于2時，則認(rèn)為該像素點(diǎn)為背景，反之則可以認(rèn)為是運(yùn)動目標(biāo)。