结构化的联合特征表观模型

杨大为++刘丽萍++祁燕

摘 要：针对单目标跟踪过程中的部分遮挡问题，提出了一种结构化的联合特征表观模型。该模型将被跟踪的目标图像划分成若干图像块，在每个图像块内分别计算其颜色特征和纹理特征，将这些特征向量化后作为目标的表观模型。实验结果表明了该方法的有效性。

关键字：表观模型 颜色特征 纹理特征

中图分类号：TP391.41 文献标识码：A 文章编号：1672-3791（2015）04（c）-0001-01

目标跟踪是计算机视觉领域的的研究热点之一，广泛地应用于视频监控、机器人导航和人机交互等领域。近年来，研究人员提出了大量的跟踪方法及相关技术，但仍面临许多难题，如光照变化、部分或完全遮挡、复杂背景环境干扰等。设计一个鲁棒的目标表观模型成为目标跟踪的关键任务。

根据不同的外观表示方法，跟踪模型可被分为两类：生成模型和判别模型。生成模型包括Black等[1]提出的离线子空间表观模型，WLS跟踪器[2]和IVT方法[3]等在线模型以及基于稀疏表达[4]的方法。这些生成模型都没有考虑背景信息，丢弃了一些把目标从背景中判别出来的有用信息。

判别模型把跟踪问题看作是将目标从背景中分离出来的二分类问题。Avidan等[5]的方法所使用的特征中包含了影响分类器性能的无关信息。Grabner等[6]提出了在线boosting特征选择方法，可能会导致跟踪失败。MIL跟踪器[7]可能会选择一些效果较小的正样本。压缩跟踪（CT）[8]对跟踪目标的模板进行压缩，但没有解决目标尺度变化的问题。

针对目标跟踪中的部分遮挡问题，该文提出了一种结构化的联合特征表观模型。该模型将目标图像划分成若干图像块，这些图像块保持了固定的空间结构信息；在每个图像块内分别计算局部颜色特征和纹理特征，向量化后作为目标的表观特征。

1 结构化的加权联合特征表观模型

1.1 颜色特征

颜色特征是计算机视觉领域中应用最为广泛的特征，具有较高的鲁棒性。本文选择颜色特征中的一阶矩和二阶矩来表示图像中颜色的分布，其数学定义如下：

（1）

（2）

其中，表示彩色图像第i个颜色通道分量中灰度值为j的像素出现的概率，N表示图像中的像素个数。

1.2 纹理特征

图像的熵是一种纹理特征的统计形式，既反映了图像灰度的聚集特征，也反映了灰度分布的空间特征，其定义为：

（3）

1.3 结构化的联合特征表观模型

设当前帧图像为，候选目标图像为，将候选目标图像划分为个图像块。在每个图像块中分别计算颜色矩特征和二维熵特征，并将这些特征形成特征向量，表示第个图像块的颜色特征分量，表示第个图像块的纹理特征分量。

2 实验结果与分析

将该文的表观模型结合贝叶斯理论进行跟踪，并与CT跟踪算法和MIL跟踪算法进行对比。所有算法均在PC机（Intel CoreTM 2 Duo CPU，2.29 GHz，2.00 GB）上实现，其软件环境为Matlab R2010b，测试的视频序列包括典型的部分遮挡。

该文使用中心位置差和每一帧的平均跟踪时间作为上述算法的评价指标，结果表明本文的方法对部分遮挡具有较好的鲁棒性，且平均跟踪时间明显优于对比算法。

3 结语

针对单目标跟踪中的部分遮挡问题，该文提出了一种结构化的联合特征表观模型。该模型既保留了被跟踪目标的空间结构信息，又考虑了目标的颜色和纹理特征。将该模型结合贝叶斯理论进行目标跟踪，实验结果证明了该文表观模型的有效性。

参考文献

[1] M.Black，A.Jepson.Eigentracking： robust matching and tracking of articulated objects using a view-based representation[C].European Conference on Computer Vision，1996：329-342.

[2] A.Jepson，D.Fleet，T.El-Maraghi. Robust online appearance models for visual tracking[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2003（25）：1296-1311.

[3] D·Ross，J·Lim，R.Lin，et al，Incremental learning for robust visual tracking[J]，International Journal of Computer Vision，2008（77）：125-141.

[4] X·Mei，H.Ling，Robust visual tracking using l1 minimization[C].International Conference on Computer Vision，2009：1436-1443.

[5] S·Avidan.Ensemble tracking[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2007（29）：261-271.

[6] H·Grabner，M.Grabner，H.Bischof. Real-time tracking via online boosting[C].British Machine Vision Conference，2006：47-56.

[7] B·Babenko，M.Yang，S.Belongie.Robust object tracking with online multiple instance learning[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2011（33）：1619-1632.

[8] K.Zhang，L.Zhang，M H.Yang.Real-Time Compressive Tracking[C].European Conference on Computer Vision，2012.