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，系統全面的介紹了視頻追蹤的幾種算法，包括基于自適應顏色屬性的追蹤算法、基于壓縮感知理論的追蹤算法、基于概率連續異常值的追蹤算法。

關鍵詞 視頻追蹤；顏色屬性；壓縮感知；概率連續異常值

中圖分類號 G2 文獻標識碼 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，它融合了計算機視覺，模式識別等學科技術，在安全監控，視頻壓縮與檢索等方面有廣闊應用前景。系統以圖像序列輸入，輸出則是圖像中目標的各種屬性，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習一種核心的最小二乘目標分類器，該追蹤器具有顯著速度的關鍵是這種追蹤器研究出的循環結構似乎能夠從局部圖像片段中進行周期性假設，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行訓練，圖像片段的大小是的，且分布在目標對象的中心。這種追蹤器考慮所有的循環變化，，并將其作為分類器的訓練樣本。這些樣本以一種高斯函數來進行標記，以便用來標記。這種分類器通過成本函數最小化（1）進行訓練，如下式所示。

（1）

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

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行第一次裁剪而執行的。檢測的分數是由計算得到的，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，目標位置是通過尋找合適的變換以找到的最大分數來估計的。這里的核輸出和能夠通過使用快速傅里葉變換有效地計算出來。

1.2 算法思想

最先進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行描述。與視覺追蹤相反的是，對象識別和檢測、復雜的顏色特性結合亮度顯示時能夠提供較好的性能。由于追蹤的復雜性，應該高效的計算所需的顏色特性，擁有一定數量的光度不變性，同時保持高辨別力?；诖?，本節提出了該算法，該算法是在追蹤器的基礎上獲得的新算法，由于追蹤器對于多通道信號的處理結果是次優的，從而為了解決這個問題，本文自適應的更新樣本，采用多通道追蹤器進行訓練。高維物體的顏色屬性能夠導致計算量的增加，因此限制了該算法的應用。

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 隨機投影

設置一個隨機矩陣，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據，符號表示為

（3）

隨機矩陣中n<

2.1.2 隨機測量矩陣

滿足限制等距特性的一種典型的測量矩陣是隨機高斯矩陣，下面的，當這個矩陣是稠密的，并且是很大的情況下，該矩陣的存儲和計算量仍然是很大的。在本小節中，使用了一個非常稀疏隨機測量矩陣，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一的隨機生成器，便很容易的計算出來。更重要的是，當時，這種矩陣是非常稀疏的，因為這時可以避免計算量的2/3。另外，

Liet al.[3]指出，這種矩陣是近似正態分布的。在本小節中，我們設置，從而得到一個非常稀疏的隨機矩陣。

2.2 算法思想

在壓縮領域，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造外觀模型，同時將正負樣本通過尺度變換，對樣本量進行擴充；再對擴充的樣本進行壓縮，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。構造的外觀模型用來生成基于特征提取的目標，它也是判別式的。

3 基于概率連續異常值的追蹤算法

3.1 基于概率連續異常值的追蹤框架

視頻追蹤被看作一種隱馬爾可夫模型的貝葉斯推理任務。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隱藏的狀態變量，，這里代表兩種連續狀態間的運動模型，表示觀測模型，該觀測模型能夠估測屬于目標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個參數來表示運動模型。狀態變換通過無規則運動表述，也就是說，，這里是一個對角協方差矩陣。

3.1.1 觀測模型

假設兩個連續幀之間指標向量變化非常小，我們建立一個基于自由異常值最小二乘法的似然函數。對于每一個對應于預測狀態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）

這里表示狀態下第位置樣本，是幀指標，代表按元素排列的乘法算子。是第幀位置上基于概率連續異常值算法得到的指標向量。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）

這里在本文中被設為0.1。

3.1.2 在線更新

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

（7）

這里表示恢復樣本，代表按元素排列的乘法算子。這個恢復樣本能夠累積，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，推斷出的指標向量已儲存，然后用于下一幀。

3.2 算法思想

本小節采用一種新穎的概率連續異常值方法來描述出現在線性表示模型中的連續異常值。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領域模型。然而，本文中能夠推導出概率連續異常值模型的目標函數，其解決方案是能夠通過自由異常值的最小二乘法和標準最大流、最小裁剪方法反復迭代獲得。最后，本文設計一個有效的觀測似然函數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越性。

4 小結

本文重點介紹了基于自適應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異常值的追蹤算法。由于影響視頻追蹤的原因復雜性，應該根據不同的原因選擇不同的算法。在系統設計中，應該根據具體的精度要求，計算復雜度要求和實時性要求等采用不同的追蹤算法。多種算法的聯合使用可以有效地克服單一算法的局限性，因此應該著重于該方向的研究工作，使追蹤算法更具有精確度、實時性和魯棒性。

參考文獻

[1]范春宇.視頻跟蹤技術研究[D].西安電子科技大學，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.