张学典++刘晓

摘要：压缩感知目标跟踪算法由于特征单一，导致在目标纹理变化、光照变化和背景变换较大的情况下，跟踪目标漂移甚至丢失。针对该问题，提出了一种融合多特征的实时目标跟踪算法。该算法首先融合多种特征进行特征提取，解决了特征单一问题，显示了较好的鲁棒性。然后在分类器进行更新时应用加权函数解决分类器权重问题。在OTB13测试库选取3个测试序列对改进算法进行测试。实验结果表明，改进算法在处理目标外观变换和遮挡变化时显示出了良好的鲁棒性。

关键词：目标跟踪；压缩感知；颜色融合；多特征

DOIDOI：10.11907/rjdk.171643

中图分类号：TP312文献标识码：A文章编号：16727800（2017）010005704

0引言

姿态、照明、遮挡等引起目标外观变化，相关的目标跟踪算法研究很多，有效的外观模型对于跟踪算法成功至关重要。基于外观模型，跟踪算法通常分为生成型[12]或判别型[35]。

生成跟踪算法通常学习一个模型来表示目标对象，然后使用它以最小的重建误差搜索图像区域。Black等[1]提出用一个离线子空间模型表征跟踪对象的目标区域。IVT方法利用增量子空间模型来适应外观变化。稀疏表征已用于1跟踪器中，其中一个对象由目标和琐碎模板的稀疏线性组合进行建模[6]。然而，该跟踪器计算复杂度高，难以在实时场景应用。尽管这些跟踪算法取得了很大成功，但仍有问题需要解决：①需要从连续帧中裁剪出一定数量的训练样本用以在线学习外观模型。由于开始只有少数样本，大多数跟踪算法通常认为目标外观在此期间不会发生太大变化。但是，如果目标在开始时发生显著变化，则可能会发生漂移问题；②当在当前目标位置绘制多个样本时，外观模型需要适应这些潜在的错误对比示例[7]，很可能引起漂移；③生成算法不使用背景信息，导致跟踪不稳定、鲁棒性低。

将目标跟踪问题转换为一个二分类问题，通过分类器区分目标和背景，分类器获得最大响应分数的位置就是目标位置。由于外观模型更新了嘈杂和可能未对齐的示例，通常会导致跟踪漂移问题。Grabner等[7]提出了一种在线半监督增强方法来缓解漂移问题，其中仅标记第一帧样本，其它样本未标记。Babenko等[8]将多实例学习引入在线跟踪。本文提出一种融合多特征的压缩感知目标跟踪算法，解决在目标变化和背景变化的环境中的鲁棒性问题。

3实验结果及分析

为验证改进后的算法与压缩感知跟踪算法的鲁棒性，分别选取多融合压缩感知追踪算法、压缩感知跟踪算法和时空上下文视觉跟踪算法（STC）进行对比实验。实验序列选取David indoor、Bolt、Sylvester进行跟踪。黄色实框表示改进后的算法，即多特征融合的压缩感知跟踪算法，粉色实框代表压缩感知跟踪算法，红色实框代表STC算法，实验测试结果见图3。

Bolt测试序列如图4所示。该测试序列的特点是目标移动快速、背景复杂、周围干扰多。运动员的快速奔跑导致目标特征变化大。#15、#28帧，物体从静止开始运动，3个追踪算法均能捕捉运动目标。#54帧时，目标开始快速运动，且视角拉长，目标体积变小。CT跟踪算法开始丢失目标，压缩感知跟踪算法略微滞后于多特征压缩感知跟踪算法，实验结果验证了算法的可行性。

4结语

针对压缩感知算法在目标跟踪过程中存在特征单一，在光照及纹理变化条件下跟踪不稳定问题，提出了一种多特征融合的压缩感知跟踪算法。将随机矩阵投影得到特征后加权提取融合特征，使原本单薄的特征变得更稳定。实验结果表明，改进后的压缩感知算法能在复杂背景、运动目标快速移动、光照条件发生变化等情况下，保留原有压缩感知算法高效、实时特点，具有更高的鲁棒性、更突出的稳定性。

参考文献参考文献：

[1]BLACK M， JEPSON A. Eigentracking： robust matching and tracking of articulated objects using a viewbased representation[J]. IJCV，1998（38）：6384.

[2]JEPSON A， FLEET D， MARAGHI T.Robust online appearance models for visual tracking[J]. PAMI，2003（25）：12961311.

[3]Avidan S.Support vector tracking[J]. PAMI，2004（26）：10641072.

[4]COLLINS R，LIU Y，LEORDEANU M. Online selection of discriminative tracking features[J]. PAMI，2005（27）：16311643.

[5]GRABNER H，GRABNER M，BISCHOF H. Realtime tracking via online boosting[J]. In： BMVC，2006（25）：4756.

[6]MEI X， LING H.Robust visual tracking and vehicle classification via sparse rep resentation[J]. PAMI，2011（33）：22592272.

[7]BABENKO B，YANG M H，BELONGIE S.Robust object tracking with online multi ple instance learning[J].PAMI，2011（33）：16191632.

[8]ZHANG K， ZHANG L， YANG M H.Realtime compressive tracking[J]. In： ECCV，2012（24）：864877.

[9]DIACONIS P， FREEDMAN D. Asymptotics of graphical projection pursuit[J]. Ann. Stat， 1984（12）：228235.

[10]LI P，HASTIE T，CHURCH K.Very sparse random projections[J].In：KDD，2006（30）：287296.

[11]ORON S，AHARON B H，LEVI D，et al.Locally orderless tracking[C].IEEE Computer Society Conference on Com puter Vision and Pattern Recognition，2012：19401947.

[12]CANDES E J，WAKIN M B.An introduction to compressive sampling[J].IEEE Signal Processing Magazine，2008，25（2）：2130.

[13]COMANICIU D，RATNESH V，MEER P.Kernelbased object tracking[J]. IEEE Transactions on Pattern Analysis and Machine Intel ligence，2003，25（5）：564577.

責任编辑（责任编辑：杜能钢）endprint