基于压缩感知的实时在线目标追踪

陈一根　黄继风

摘 要： 在正负样本区域随机抽取了不同尺度下图像的局部二值模式（LBP）特征，将高维的特征信息投射到低秩的压缩域，并据此建立了表观模型.使用一个随机稀疏测量矩阵来压缩前景和背景目标.将追踪问题转化成为了一个使用朴素贝叶斯分类器的二元分类问题.所提方法可以较快速、实时地在线追踪目标，同时解决了目标尺度变化、遮挡问题.

关键词： 计算机视觉； 目标追踪； 压缩感知； 局部二值模式（LBP）

中图分类号： TP 39 文献标志码： A 文章编号： 1000-5137（2018）04-0483-05

Abstract： We randomly extracted the feature of local binary patterns（LBP） with different sizes within both positive samples and negative samples.The high-dimensional feature information was projected onto the low rank compression domain based on which the characterization model was established.Then，it compressed samples of foreground and the background targets by using the same random sparse measurement matrix.Finally，the tracking task was formulated as a binary classification via a Naive Bayes classifier.The experiment showed that the proposed method could track the target quickly and constantly.Furthermore，it could also solve the problem of multi-scale change and occlusion issue at the same time.

Key words： computer vision； target tracking； compressed sensing； local binary pattern（LBP）

视频目标追踪，作为计算机视觉领域一项基础的重要技术，有着非常广泛的应用[1]，是其他后续视觉处理的基础.目前国内外研究人员通过将各种在线学习模型应用到目标模型的建立和更新中，以适应目标的尺度和环境变化，该方法被称为基于检测的目标追踪算法.依据其表观模型，追踪算法通常被分为两大类：可生性的算法和区別性的算法.可生性的追踪算法通常用学习模型来表示目标，然后用其遍历图像寻找最小残差区域.Zhang等[2]提出一种简单有效的基于压缩域的追踪方法对目标进行追踪.Hare 等[3]提出Struck算法，采用在线结构输出的支持向量机学习方法来解决跟踪问题.Zhong等[4]提出一种将稀疏的原始模板与生成的表观模型相互协作的模型作为目标追踪算法，从而使跟踪器有效地处理外观变化和减少漂移问题.Xu等[5] 提出一种基于结构局部稀疏模型的简单且稳健的跟踪方法，采用一个结合增量子空间学习和稀疏表示的模板更新策略，该策略适用于外观变化和漂移可能性小的情况.Henriques等[6]提出利用检测内核追踪的循环结构对目标进行追踪，该算法设计了一个有效的循环矩阵将样本特征投射到傅里叶域进行分析，使内核机对偶空间的分类器与线性分类器具有相同的运行速度.Zhang等[7]提出一种建立在粒子滤波追踪框架下的低秩稀疏追踪器，该方法根据时间更新联合低秩稀疏矩阵.Ross等[8]提出一种增量学习的视频追踪算法，逐步提高目标子空间的表观模型.Zhang等[9]构造一个在线的两层卷积神经网络，并将其用于目标的追踪，该神经网络能够有效地适应目标外观的变化.

本文作者基于局部二值模式 （LBP） 提取样本特征，然后通过随机压缩矩阵建立表观模型.采用一个满足限制等距特性的稀疏测量矩阵，将图像特征投影到一个低维的压缩子空间.测试实验表明，所提方法在较快速、实时地完成在线追踪的同时，解决了目标尺度变化、遮挡等问题.

2.3 追踪算法流程

本文作者提出了一种基于LBP（局部二值模式） 提取样本特征，然后通过随机压缩矩阵来建立表观模型的高效追踪算法.算法流程如下：

1） 采用手动选取或者初始化标定方式初始化追踪目标；

2） 采集目标样本和背景样本；

3） 计算图像区域的LBP积分直方图，通过积分直方图.计算目标样本和背景样本的特征；

4） 读取新的视频图像，在上一帧目标位置附近区域采集样本，同时计算所有正负样本的每一样本特征，代入（5）式中计算H（v），选取最大的候选区域作为新一帧的目标区域；

5） 在目标的附近采集正样本，在远离目标的区域采集负样本，分别计算正负样本特征，按照（6），（7）式更新分类器参数；

6） 输出当前追踪位置和分类器参数.

循环迭代到（4），继续处理下一帧.

算法流程图如图1所示.

3 实验结果及其分析

实验采用标准测试集[10]中有代表性的视频序列（FaceOcc1、David及Boy）进行视频追踪实验.采用中心位置偏移误差衡量本算法.

FaceOcc1视频序列存在严重遮挡的情况，要求追踪算法能在女孩用书遮挡的过程中，正确追踪女孩脸部.实验证明，本算法能较好地提取追踪区域的纹理特征，追踪结果如图2所示.

David 视频序列存在复杂的光照、目标尺度变化和背景杂波的情况.追踪结果如图3所示，第2帧和第459帧之间，目标有明晰的尺度变化，亮度也逐渐由暗到明，背景变化较大，可以看出追踪的效果良好.

Boy视频序列中存在目标快速移动和运动模糊的情况.本算法采用LBP提取正负样本的局部特征，同时实时压缩特征信息进行准确有效的追踪，实验结果如图4所示.

将处理视频流的帧速率设为35 fps，每间隔300 ms取1帧图像，有效且实时地追踪目标，实验结果如表1所示.

4 结 语

提出了一个简单快速且稳健性较好的追踪算法，基于LBP提取样本特征，采用一种十分稀疏的随机测量矩阵压缩正负样本特征，在线追踪过程采用朴素贝叶斯二元分类处理.对测试视频数据集进行实验验证，结果表明本算法在准确度、稳健性和速度等方面性能较优越.

参考文献：

[1] Yilmaz A，Javed O，Shah M.Object tracking：A survey [J].ACM Computing Surveys，2006，38（4）：13.

[2] Zhang K，Zhang L，Yang M H.Fast compressive tracking [J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2014，36（10）：2002-2015.

[3] Hare S，Golodetz S，Saffari A，et al.Struck：Structured output tracking with kernels [C].2011 IEEE International Conference on Computer Vision.Barcelona：IEEE，2011.

[4] Zhong W，Lu H，Yang M H.Robust object tracking via sparsity-based collaborative model [C].2012 IEEE Conference on Computer Vision and Pattern Recognition.Providence：IEEE，2012.

[5] Xu J.Visual tracking via adaptive structural local sparse appearance model [C].2012 IEEE Conference on Computer Vision and Pattern Recognition，Washington，D.C.：ACM，2012.

[6] Henriques J F，Caseiro R，Martins P，et al.Exploiting the circulant structure of tracking-by-detection with kernels [C].12th European conference on Computer Vision.Florence：ACM，2012.

[7] Zhang T，Liu S，Ahuja N，et al.Robust visual tracking via consistent low-rank sparse learning [J].International Journal of Computer Vision，2015，111（2）：171-190.

[8] Ross D A，Lim J，Lin R S，et al.Incremental learning for robust visual tracking [J].International Journal of Computer Vision，2008，77（1-3）：125-141.

[9] Zhang K，Liu Q，Wu Y，et al.Robust visual tracking via convolutional networks without training [J].IEEE Signal Processing Society，2016，25（4）：1779-1792.

[10] Wu Y，Lim J，Yang M H.Online object tracking：A benchmark [C].Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.Portland：IEEE，2013.

（責任编辑：包震宇）