基于超像素的单目标跟踪算法研究

摘要： 超像素能够降低图像的冗余信息，减少图像后续处理的复杂度，已受到了国内外学者的广泛关注。为了降低运动目标跟踪过程中受内外因素影响而发生漂移的概率，本文提出了一种单目标跟踪算法。首先分析了运动目标跟踪算法和超像素分割算法的概念原理和发展现状，然后基于SLIC超像素分割算法和粒子滤波算法构建运动目标跟踪算法。本算法能够较好地实现判别式跟踪，具有较好的鲁棒性和准确性。

关键词：超像素；图像分割；SLIC；目标跟踪

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2018）32-0201-02

Abstract：Superpixels can reduce the redundant information of images， and it can also reduce the complexity of the subsequent image processing. So up to now superpixels have been widely concerned by scholars at home and abroad. In order to reduce the probability of drifting in the process of moving target tracking which may be affected by internal and external factors， one single target tracking algorithm is proposed in this paper. Firstly， the concept and development of moving target tracking algorithm and superpixel segmentation algorithm are analyzed. Then， a moving object tracking algorithm is constructed based on SLIC superpixel segmentation algorithm and particle filter algorithm. The algorithm can achieve discrimitive tracking better， and has better robustness and accuracy.

Key words：Superpixel； Image Segmentation；SLIC； Target Tracking

1 前言

随着机器学习、深度学习等人工智能技术的快速发展，计算机视觉技术也得到了迅猛的发展。目前，作为计算机视觉技术的一个重要分支，运动目标跟踪技术得到了广泛的关注和应用，例如现场监控、智能交通、人机交互、军事制导等众多领域。

运动目标跟踪技术是一种融合了图像处理、模式识别、自动控制等多种不同技术的跨学科研究内容，一般根据跟踪对象的不同，可以分为单目标跟踪和多目标跟踪。

近年来，单目标跟踪技术的研究取得了飞速的发展，相关研究人员分别提出了众多优秀的目标跟踪算法。但是这些算法在处理目标运动过程中遇到的一系列内外干扰因素时仍然面临着漂移或失败的挑战，例如混杂背景、光照变化、刚性变换、重度遮挡等。

2 運动目标跟踪算法概述

运动目标跟踪一般是指对视频图像序列中的运动目标进行检测和跟踪。相关步骤如下：首先在视频图像序列中获取待跟踪的目标区域，并确定其在起始帧图像中区域坐标，然后依据一种或多种特征描述方法构建运动目标的外观模型，如梯度、纹理、颜色等多维度的特征信息，再结合粒子滤波、卡尔曼滤波等搜索算法，在后续的图像帧序列中利用前后连续图像帧特征信息的相关性进一步得到后续帧中运动目标的运行轨迹和状态数据等，以便后续后期对运动目标的行为、状态等进行观测与理解。

由于在现实运动目标跟踪过程中，目标容易受到周围复杂场景影响导致外观特征的变化，因此如何设计一个自适应的表观模型是目标跟踪算法成功的重要基础。

近年来，外观模型的设计引起相关研究人员的广泛关注。一般而言，基于外观模型可以将跟踪算法分为生成式跟踪算法和判别式跟踪算法两种。其中，生成式跟踪算法首先对目标外观模型进行建模，然后估算连续运动状态下目标与模板的联合概率分布，并基于贝叶斯理论依据最小重构误差找到最优跟踪目标，常见的生成式跟踪算法有IVT、L1APG、ALSA等。而判别式跟踪算法把目标跟踪看作一个二分类任务，把任一图像帧分为目标图像区域和背景图像区域两部分，其中目标图像区域为正样本，背景图像区域分为负样本，并通过在线更新增量学习判别式分类函数，以此提高计算效率，常见的判别式跟踪算法有MIL、TLD、STRUCK等。随着人工智能、机器学习的飞速发展，目前已经提出了一系列基于学习的判别式跟踪方法，并在运动目标跟踪算法中占据了主流地位，主要包括基于在线 boosting的判别式跟踪算法、基于SVM的判别式跟踪算法、基于在线检测学习的判别式跟踪算法、基于深度学习的判别式跟踪算法和基于相关滤波的判别式跟踪算法。

3 超像素分割算法概述

超像素分割算法最早于2003年由Ren等人提出，是指具有相似颜色、亮度、纹理等特征的相邻像素构成的有一定视觉意义的不规则像素块。经过十多年的不断发展，目前常用的超像素分割算法从运算原理上可以分为基于图论的方法和基于梯度下降的方法，前者主要有Graph-based方法、Ncut方法、Superpixel lattice方法和基于熵率的方法，后者主要有分水岭方法、基于Mean-shift方法、Turbopixels方法和SLIC 方法。

超像素分割算法的基本原理如下：第一步是聚类相邻像素间的相似特征，将特征相似、空间位置相近的像素划归为一个“超像素”区域，第二步是以“超像素”作为图像分割处理的基本单位，分类合并，进而产生有效有用的图像分割区域。进而可以用少量的超像素代替大量的像素来表达图片特征，较大程度地降低了图像后处理的复杂度，这也是本文研究的出发点和关键所在。

目前，基于SLIC（Simple Linear Iterative Clustering，简单线性迭代聚类）的超像素分割方法在运动目标跟踪过程中得到了较为广泛的应用，其图像分割效果图如图1所示，基本原理如式（1）所示。先将彩色图像转化为XY坐标下CIELAB颜色空间的5维特征向量，然后对该5维特征向量构造距离度量标准，再对图像像素进行局部聚类。SLIC算法的优点是能够生成均匀紧凑的超像素，在实现速度和轮廓保持方面具有较高的评价，能够较好地达到预期的分割效果。

（1）训练待测图像帧序列中的前10帧，得到初始目标字典D。一般先指定目标在第一帧的位置，然后利用meanshift算法跟踪剩余训练帧，每一帧用SLIC超像素分割算法获得超像素并提取特征。将训练阶段得到的所有超像素构成特征池，再用k-means聚类方法对该特征池进行聚类，得到初始目标字典。此处要注意的是，该初始目标字典中包括目标前景和背景的相关信息，一般通过设置置信值标识某一超像素聚类与目标前景的相似程度。

（2）训练阶段完成后，从第11帧开始，结合粒子滤波算法实现在线运动目标实时跟踪。一般基于上一帧的目标位置构建600个候选目标，然后分别和初始目标字典进行匹配，从中选出最优粒子作为当前帧的在线跟踪结果。

（3）在跟踪过程中，目标可能受到多种内外因素的影响而产生跟踪结果的漂移。其主要原因是当发生重度遮挡、混杂背景、非刚性变化等影响时，原先的初始目标字典已经无法准确地表示当前运动目标的表观模型。因此一般需要每隔15帧左右进行在线目标字典的更新，需要注意的是，当发生重度遮挡影响时，需要制定自适应的更新策略。

（4）跟踪完成后，一般可以采用定量和定性两种方式实现对算法跟踪效果的评估。定量分析可以采用跟踪成功率（TSR）、平均中心误差（ACE）、平均覆盖率（AOR）等分析方法，定性分析可以采用OTB2015 Benchmark采用的31种算法和100个视频序列场景進行对比分析。

5 结语

本文提出了一种基于超像素的局部判别式单目标跟踪算法。实验结果表明，该算法具有较好的鲁棒性和准确性，但是运算复杂度较高，需要在后期研究中做进一步改进。

参考文献：

[1] 邱晓荣，彭力，刘全胜.基于超像素和判别稀疏的运动目标跟踪算法[J].计算机工程与应用，2018，54（15）：1-5.

[2] 邱晓荣，彭力，刘全胜.基于超像素与BoF的运动目标跟踪算法[J].现代电子技术，2018，41（6）：37-40+44.

[3] 齐苑辰，吴成东，陈东岳，等.基于稀疏表达的超像素跟踪算法[J].电子与信息学报，2015，37（3）：529-535.

[4] Yang F， Lu H， Yang M H. Robust Superpixel Tracking[J]. IEEE Transactions on Image Processing， 2014， 23（4）： 1639-1651.

[5] 程旭，郭海燕，李拟珺，等.一种基于超像素的局部判别式跟踪算法[J].东南大学学报（自然科学版），2014，44（6）：1105-1110.

[6] 王春瑶，陈俊周，李炜.超像素分割算法研究综述[J].计算机应用研究，2014，31（1）：6-12.

[7] 张娟，毛晓波，陈铁军.运动目标跟踪算法研究综述[J].计算机应用研究，2009，26（12）：4407-4410.

【通联编辑：唐一东】