基于高斯核相關(guān)濾波的多特征融合的目標(biāo)跟蹤

文/李紅江

視覺跟蹤在視頻監(jiān)控、機器人、人機交互和無人駕駛汽車等領(lǐng)域有著廣泛的應(yīng)用，是計算機視覺領(lǐng)域的基礎(chǔ)研究課題之一。但視覺跟蹤需要處理的問題也相當(dāng)復(fù)雜，如運動目標(biāo)快速運動、體型變化、光照強度的變化、物體的遮擋等都是重要的干擾因素。因此需要更好的辦法解決來解決跟蹤中的這些難題。

最近，相關(guān)濾波器被引入到視覺社區(qū)中，已經(jīng)應(yīng)用于許多應(yīng)用中。相關(guān)濾波器可以跟蹤復(fù)雜目標(biāo)并快速計算響應(yīng)值以確定目標(biāo)位置。同時，相關(guān)濾波器被視為信號處理中兩個信號之間的相似性度量，給出了可靠的距離度量，并解釋了前一種方法實現(xiàn)的有希望的性能的原因。

KCF和CN分別是基于HOG和顏色特征的目標(biāo)跟蹤算法，在運動目標(biāo)快速運動或變形時，KCF跟蹤效果將會降低，在收到光照因素影響的情況下，CN跟蹤效果也會收到影響。因此，通過核相關(guān)將兩種特征融合是目標(biāo)跟蹤不受單一因素的影響。但是由于多特征運算量較大，在本文提出使用PCA降維的方法對HOG和顏色特征進行降維，利用核函數(shù)將降維后的特征融合來提高跟蹤的精確度。在數(shù)據(jù)集OTB-50的實驗驗證了該改進算法的良好性能。

1 跟蹤算法

1.1 循環(huán)矩陣

利用循環(huán)矩陣獲取大量訓(xùn)練的樣本。x是一組n×1的向量。利用置換矩陣P，通過Plx矩陣計算得到大量訓(xùn)練樣本其中置換矩陣如式（1）所示。

目標(biāo)樣本循環(huán)移位得到的循環(huán)矩陣X表示為：

（1）無人運輸直升機的運輸能力雖然比不上有人運輸直升機，但其可以彌補其不足，有人/無人運輸直升機配合使用，可提升部隊的物資補給能力。

（2）通過有人運輸直升機無人化改裝的思路研發(fā)無人運輸直升機，可以縮短研制周期，降低研制費用，并且由于采用成熟的基礎(chǔ)平臺，無人運輸直升機的穩(wěn)定性、可靠性更高。

（3）提升無人機的自主性。

（4）發(fā)展有人機與無人機協(xié)同能力，可以很好的彌補各自能力上的不足，提升部隊的作戰(zhàn)能力，特別是后勤物資補給能力。

圖1：Tiger2測試結(jié)果

圖2：Lemming測試結(jié)果

圖3：精確度曲線圖

其中，循環(huán)矩陣X的第一行為向量x，其他各行均為向右移動1,2...n-1位得到N個樣本。

1.2 目標(biāo)分類器

利用訓(xùn)練樣本訓(xùn)練出使得目標(biāo)函數(shù)f(x)=wTx泛化能力比較好權(quán)重w，且滿足：

最小二乘法給出的嶺回歸閉式解表示為：

則目標(biāo)函數(shù)表示為：

目標(biāo)函數(shù)的最大響應(yīng)值即為跟蹤目標(biāo)對應(yīng)的位置。

2 算法改進

2.1 特征降維

PCA主要思想：將高維度的特征空間映射到低維度空間，提取特征的主要起作用的成分。也就對初始特征變量做線性變換，映射成低維度變量。利用式（9）可以計算特征矩陣的主要成分：

其中，M表示降維后的主成分特征組成矩陣；X表示由樣本特征xi減去對應(yīng)的特征均值組成的矩陣；U表示由協(xié)方差矩陣求出的最大的k個特征值λi對應(yīng)的特征向量ui組成的矩陣。

PCA降維的過程：

（1）計算所有訓(xùn)練樣本中對應(yīng)像素點的HOG特征和顏色特征均值。

（3）取最大的k個特征值λi對應(yīng)的特征向量ui（i=0,1,...,k），組成最終的矩陣U，利用式（14）進行特征降維，得到降維后的特征維數(shù)為k維。

2.2 特征融合及改進

在訓(xùn)練樣本進行訓(xùn)練時，需要通過PCA降維技術(shù)對目標(biāo)將提取的方向梯度和顏色特征進行降維。HOG經(jīng)過降維后所包含的主要特征顏色特征經(jīng)過降維后多包含的主要特征，降維后的多特征就可以表示為其中使用高斯核函數(shù)進行特征融合：

3 實驗結(jié)果及分析

本文采用OTB-50數(shù)據(jù)集進行試驗。黃色框表示CN算法；黑色框表示KCF框；紅色框表示本文算法。為了直觀地對比跟蹤結(jié)果，選取Tiger2、Skating1、Lemming這幾個典型的視頻序列作為展示。實驗結(jié)果如圖1至圖3所示。

從圖1的Tiger2序列中可以看出，在#102幀圖可以看出三種跟蹤算法都能很好的完成跟蹤。但是在#105幀圖中，運動目標(biāo)突然加速運動，這時，KCF跟蹤算法將不能繼續(xù)跟蹤。由#114幀圖可以看出，在快速運動后，KCF將不能正常繼續(xù)跟蹤；而CN和本文算法就可以成功地位目標(biāo)位置，由此效果圖可以證明CN可以彌補KCF在快速運動情況下目標(biāo)跟丟的缺點。

從圖2可以看出，本文通過閾值控制模板更新可以相比其他兩種算法能很好解決跟蹤過程的遮擋問題。

最后對整個OTB數(shù)據(jù)集進行測試。對視頻測試的精確度如圖3所示。從圖中可以看出，本文所提算法的精確度比KCF和CN跟蹤算法的精確度提高了7%-10%。

4 結(jié)論

視覺跟蹤中目標(biāo)的快速運動、光照變化、遮擋等對跟蹤算法有重要的影響，本文利用高斯核函數(shù)將HOG特征和顏色特征進行結(jié)合，利用PCA對高維特征進行降維，提高跟蹤的精確度和實時性。利用閾值判斷目標(biāo)的遮擋并控制目標(biāo)模板的更新，對目標(biāo)遮擋問題進行處理。試驗表明算法效果較改進前更好。