基于特征點(diǎn)一致性約束的實(shí)時(shí)目標(biāo)跟蹤算法

朱安民，陳燕明

深圳大學(xué)計(jì)算機(jī)與軟件學(xué)院，深圳518060

實(shí)時(shí)跟蹤技術(shù)在軍事安全、交通監(jiān)管、智能機(jī)器人及游戲娛樂產(chǎn)業(yè)等領(lǐng)域有廣泛應(yīng)用. 實(shí)時(shí)跟蹤包括目標(biāo)檢測(cè)和目標(biāo)跟蹤兩部分，其中目標(biāo)的跟蹤部分占實(shí)時(shí)跟蹤的大多數(shù)時(shí)間，因此對(duì)跟蹤的實(shí)時(shí)性起著關(guān)鍵作用.

目前的跟蹤算法主要有點(diǎn)跟蹤［1］、核跟蹤［2］和輪廓跟蹤［3］. 其中，點(diǎn)跟蹤方法是以目標(biāo)的特征點(diǎn)來表征目標(biāo)，從視頻當(dāng)前幀的特征點(diǎn)尋找下一幀的匹配特征點(diǎn)，由此獲得被跟蹤的目標(biāo). 實(shí)際上，隨著目標(biāo)的運(yùn)動(dòng)和其所處場(chǎng)景的變化，在跟蹤過程中經(jīng)常發(fā)生點(diǎn)的特征發(fā)生劇烈變化或消失而導(dǎo)致跟蹤失敗的情況. 因此，面對(duì)光照變化、目標(biāo)形變、部分遮擋、高速運(yùn)動(dòng)、尺度縮放、旋轉(zhuǎn)、圖片噪音和模糊等因素，如何選取目標(biāo)的特征點(diǎn)是首要解決的問題. Qiao 等［4］提出利用獲得目標(biāo)的相位奇異點(diǎn)進(jìn)行跟蹤的方法. 當(dāng)被跟蹤的目標(biāo)有明顯紋理時(shí)，相位奇異點(diǎn)健壯性佳，且對(duì)縮放及旋轉(zhuǎn)不敏感. 但是，噪音干擾也易使其被誤認(rèn)為是奇異點(diǎn)，且在視覺模糊的情況下，奇異點(diǎn)易被丟失. Khan 等［5］通過建立前景特征點(diǎn)集和背景特征點(diǎn)集，由增強(qiáng)的各向異性mean shift 算法跟蹤兩個(gè)點(diǎn)集，并建立目標(biāo)模板集合進(jìn)行匹配，從而得到跟蹤軌跡. 該算法雖能較好地處理部分遮擋問題和較大程度的目標(biāo)變形問題，但由于兩個(gè)特征點(diǎn)集的計(jì)算量較大，運(yùn)算時(shí)間長(zhǎng)，對(duì)于高速運(yùn)動(dòng)目標(biāo)，跟蹤的實(shí)時(shí)性不足.Sun 等［6］采用Lowe［7］的SIFT 特征作為特征點(diǎn)，并建立點(diǎn)匹配的動(dòng)態(tài)模型，但因SIFT 特征的計(jì)算量較大，且在遇到部分遮擋和變形的情況下會(huì)出現(xiàn)點(diǎn)跟蹤失敗，需建立目標(biāo)模板模型彌補(bǔ)失敗情況，進(jìn)行目標(biāo)匹配，增加運(yùn)行時(shí)間，所以同樣對(duì)于高速運(yùn)動(dòng)目標(biāo)的追蹤效果有待提高. Pan 等［8］采用基于多層隱馬爾可夫模型的粒子濾波跟蹤. 該算法隨著層數(shù)的增加，跟蹤的準(zhǔn)確性明顯增強(qiáng)，但是同時(shí)計(jì)算復(fù)雜性也提高，運(yùn)行時(shí)間變長(zhǎng).

在實(shí)時(shí)跟蹤過程中，目標(biāo)所處的運(yùn)動(dòng)場(chǎng)景的變化和映射在二維圖像中目標(biāo)的變化，都會(huì)使原本用來描述目標(biāo)的特征點(diǎn)消失. 因此，為持續(xù)描述被跟蹤目標(biāo)，需不斷更新描述目標(biāo)的特征點(diǎn). 即使場(chǎng)景變化或目標(biāo)變化導(dǎo)致特征點(diǎn)消失，仍可通過獲得新的特征點(diǎn)描述目標(biāo)，實(shí)現(xiàn)繼續(xù)跟蹤目標(biāo). 為提高跟蹤的魯棒性和實(shí)時(shí)性，本研究提出特征點(diǎn)動(dòng)態(tài)選擇模型算法，即采用Lucase-Kanade 光流法［9-10］計(jì)算跟蹤特征點(diǎn)，并對(duì)特征點(diǎn)集進(jìn)行一致性約束，從而提高特征點(diǎn)的可靠性. 該算法能較好地處理目標(biāo)和場(chǎng)景變化導(dǎo)致的特征點(diǎn)跟蹤丟失問題，動(dòng)態(tài)選擇一段時(shí)間范圍內(nèi)能夠描述目標(biāo)的相對(duì)穩(wěn)定的特征點(diǎn).

1 光流法簡(jiǎn)介

光流是運(yùn)動(dòng)物體在觀察成像平面上的像素運(yùn)動(dòng)的瞬時(shí)速度. 光流法則是利用圖像序列中像素在時(shí)域上的變化及相鄰幀之間的相關(guān)性找到上一幀跟當(dāng)前幀之間的對(duì)應(yīng)關(guān)系，從而計(jì)算出相鄰幀之間物體的運(yùn)動(dòng)信息的一種方法. 本研究采用Lucase-Kanade光流法計(jì)算像素的運(yùn)動(dòng)變化.

光流法有3 個(gè)前提假設(shè):①相鄰幀之間的亮度I 恒定;②相鄰幀之間物體的運(yùn)動(dòng)較小;③保持空間一致性，即同一區(qū)域的像素具有相同運(yùn)動(dòng)［11］.

由假設(shè)①和假設(shè)②可得出光流約束方程為

經(jīng)一階泰勒級(jí)數(shù)展開可得

若由③假設(shè)一個(gè)局部范圍內(nèi)(u，v)相同，則

式(3)可記為Aμ = b.

圖1 為光流法點(diǎn)跟蹤示意圖，根據(jù)光流法計(jì)算像素點(diǎn)P 在下一幀的對(duì)應(yīng)點(diǎn). 根據(jù)假設(shè)②，設(shè)點(diǎn)P為圓心，以r 為半徑的圓是P 點(diǎn)的可能移動(dòng)范圍.在圓內(nèi)搜索亮度值相同的點(diǎn)，如左圖IP= Ia= Ib，根據(jù)假設(shè)③，若以P 點(diǎn)為中心3 ×3 的像素區(qū)域和分別以a 點(diǎn)和b 點(diǎn)為中心3 ×3 的像素區(qū)域亮度值一一對(duì)應(yīng)相等，則點(diǎn)a 和點(diǎn)b 為P 點(diǎn)在下一幀的可能對(duì)應(yīng)點(diǎn). 比較點(diǎn)a 和點(diǎn)b 的μ 值，以μ 值最小的點(diǎn)作為P 點(diǎn)在下一幀的對(duì)應(yīng)點(diǎn).

圖1 光流法點(diǎn)的跟蹤示意圖Fig.1 Point tracking diagram of optical flow method

2 運(yùn)動(dòng)目標(biāo)的跟蹤算法

運(yùn)動(dòng)目標(biāo)跟蹤算法模型如圖2，虛線框中的動(dòng)態(tài)選擇模型包括目標(biāo)模型(ⅰ)、隨機(jī)采樣模型(ⅱ)及一致性約束條件(ⅲ). 其中，目標(biāo)模型為描述目標(biāo)的特征點(diǎn)的集合，這些特征點(diǎn)決定了跟蹤的目標(biāo)所在的區(qū)域;隨機(jī)采樣模型為目標(biāo)區(qū)域隨機(jī)采樣獲得的點(diǎn)，這些點(diǎn)將作為候選的描述目標(biāo)的特征點(diǎn);一致性約束為運(yùn)動(dòng)目標(biāo)區(qū)域內(nèi)各點(diǎn)所具有的空間相關(guān)性，運(yùn)動(dòng)中目標(biāo)區(qū)域的點(diǎn)具有速度和方向上的一致性，如線性運(yùn)動(dòng)的各點(diǎn)具有等速同向規(guī)律，旋轉(zhuǎn)運(yùn)動(dòng)的各點(diǎn)具有等速異向規(guī)律等. 因此，可通過一致性約束來判斷在場(chǎng)景變化或目標(biāo)變化中不一致的特征點(diǎn).

圖2 運(yùn)動(dòng)目標(biāo)跟蹤算法模型Fig.2 Algorithm model of moving target tracking

本研究利用動(dòng)態(tài)選擇模型進(jìn)行目標(biāo)跟蹤. 首先，模塊ⅰ計(jì)算當(dāng)前幀特征點(diǎn)在下一幀的對(duì)應(yīng)點(diǎn)，模塊ⅲ在當(dāng)前幀目標(biāo)區(qū)域隨機(jī)采樣特征點(diǎn)并計(jì)算其在下一幀的對(duì)應(yīng)點(diǎn);然后，模塊ⅱ對(duì)模塊ⅰ獲得的對(duì)應(yīng)點(diǎn)進(jìn)行一致性約束評(píng)估，獲得一致性約束條件;其次，模塊ⅰ和ⅲ中符合一致性約束條件的對(duì)應(yīng)點(diǎn)選為特征點(diǎn);最后，將模塊ⅲ中的特征點(diǎn)加入到模塊ⅰ中.

2.1 動(dòng)態(tài)選擇模型

在相鄰兩幀之間，若目標(biāo)區(qū)域的某點(diǎn)的特征具有唯一性，則說明該點(diǎn)穩(wěn)定性好，可作為描述目標(biāo)的特征點(diǎn). 目標(biāo)模型主要用于選擇目標(biāo)的特征點(diǎn)以保持特征的穩(wěn)定性. 假設(shè)初始化目標(biāo)方框，目標(biāo)模型在目標(biāo)方框內(nèi)初始一組特征點(diǎn)集N，N(t)為隨時(shí)間t 變化的特征點(diǎn)數(shù). 利用中值法［14］預(yù)測(cè)下一幀目標(biāo)方框區(qū)域.

中值法預(yù)測(cè)目標(biāo)方框的計(jì)算過程如下:假設(shè)當(dāng)前幀的特征點(diǎn)集為B = {b1，b2，…，bn}，對(duì)應(yīng)的前一幀的特征點(diǎn)集為A = {a1，a2，…，an}，則:①計(jì)算各特征點(diǎn)坐標(biāo)的水平偏移量為{dx1，dx2，…，dxn}，垂直偏移量為{dy1，dy2，…，dyn}，分別取數(shù)列{dx1，dx2，…，dxn}和{dy1，dy2，…，dyn}的中值可得目標(biāo)方框的位移. ②計(jì)算A 中各點(diǎn)兩兩之間的歐式距離{da1，da2，…，dan}和B 中各點(diǎn)兩兩之間的歐式距離{db1，db2，…，dbm}，然后取數(shù)列{db1/da1，db2/da2，…，dbm/dam}的中值可得目標(biāo)方框的縮放比例. 經(jīng)上述兩次中值法可預(yù)測(cè)下一幀的目標(biāo)方框.

圖3 是一個(gè)人影很明顯的行人實(shí)例(predestrian2)，其特征點(diǎn)數(shù)量N(t)隨時(shí)間t 的變化明顯衰減:第1 幀初始化100 個(gè)特征點(diǎn)，剛開始在第2 幀保持100 個(gè)特征點(diǎn)，到第6 幀時(shí)許多不穩(wěn)定點(diǎn)被丟失，在第36 幀發(fā)生遮擋后特征點(diǎn)數(shù)剩13 個(gè)，至第64 幀特征點(diǎn)數(shù)只剩6 個(gè)，最后隨著目標(biāo)的運(yùn)動(dòng)變化特征點(diǎn)全部丟失，跟蹤失敗.

圖3 實(shí)例(pedestrian2)特征點(diǎn)的衰減情況Fig.3 The attenuation of feature points in the pedestrian2 video sequence

圖4 給出了5 個(gè)跟蹤實(shí)例［13］的特征點(diǎn)數(shù)N(t)隨時(shí)間t 的變化情況. 由圖4 可見，在時(shí)間范圍Δt內(nèi)，N(t)值變化很小. 此時(shí)的特征點(diǎn)可描述運(yùn)動(dòng)目標(biāo)的特征. 我們稱在Δt 時(shí)間內(nèi)的特征點(diǎn)集具有穩(wěn)定性. 但當(dāng)t ＞Δt 時(shí)，N(t)值逐步減少，此時(shí)特征點(diǎn)集作為描述運(yùn)動(dòng)目標(biāo)特征的可靠性降低，易致跟蹤失敗.

圖4 5 個(gè)特征點(diǎn)集實(shí)例隨時(shí)間衰減情況Fig.4 The attenuation of feature points in 5 video sequences

為解決特征點(diǎn)集衰減問題，本研究增加了隨機(jī)采樣模型. 首先在目標(biāo)區(qū)域內(nèi)隨機(jī)選擇100 個(gè)像素點(diǎn)，這些像素點(diǎn)與目標(biāo)模型特征點(diǎn)不重復(fù)，根據(jù)光流法可計(jì)算這100 個(gè)像素點(diǎn)在下一幀的對(duì)應(yīng)點(diǎn)，并把這些對(duì)應(yīng)點(diǎn)作為隨機(jī)采樣模型獲取的目標(biāo)特征點(diǎn). 當(dāng)目標(biāo)特征點(diǎn)數(shù)量N(t)值逐步減少至臨界值時(shí)，從隨機(jī)特征點(diǎn)集中選取新的特征點(diǎn)放入模型，并增大N(t)值以保持特征點(diǎn)集的穩(wěn)定性. 圖5 顯示了單獨(dú)的目標(biāo)模型和本研究提出的聯(lián)合了隨機(jī)采樣模型的目標(biāo)模型，在目標(biāo)跟蹤中特征點(diǎn)集的變化情況. 從第28 幀開始，在只采用單獨(dú)的目標(biāo)模型的情況下，運(yùn)動(dòng)目標(biāo)遇到部分遮擋，特征點(diǎn)數(shù)量急劇下降，第40 幀以后部分遮擋的情況消失，而采用本研究提出的聯(lián)合了隨機(jī)采用模型的目標(biāo)模型后，由于不斷獲得新的特征點(diǎn)，繼續(xù)保持跟蹤目標(biāo)的穩(wěn)定性.

圖6 給出一個(gè)室內(nèi)明暗變化環(huán)境下跟蹤行人時(shí)特征點(diǎn)集變化的對(duì)比實(shí)例. 其中，上2 組為單個(gè)目標(biāo)模型特征點(diǎn);下2 組為目標(biāo)模型聯(lián)合隨機(jī)采樣模型的特征點(diǎn). 通過采樣添加新的特征點(diǎn)，目標(biāo)模型特征點(diǎn)的分布將逐步趨于臉部的輪廓、眼睛、鼻子和嘴巴等邊緣，呈現(xiàn)與目標(biāo)特征相關(guān)的規(guī)律，此時(shí)模型動(dòng)態(tài)選擇的特征點(diǎn)趨于更穩(wěn)定.

2.2 特征點(diǎn)的一致性約束

一致性約束作為動(dòng)態(tài)選擇模型的一部分，有必要對(duì)其進(jìn)一步說明:實(shí)時(shí)跟蹤的目標(biāo)運(yùn)動(dòng)形式可能是剛體運(yùn)動(dòng)、局部非剛體運(yùn)動(dòng)、高速運(yùn)動(dòng)、變速運(yùn)動(dòng)或兼有各種情況的體操運(yùn)動(dòng)［12］. 因此，分析目標(biāo)的運(yùn)動(dòng)速度和運(yùn)動(dòng)方向有利于實(shí)現(xiàn)跟蹤的魯棒性，特別是當(dāng)目標(biāo)出現(xiàn)部分遮擋或者高速運(yùn)動(dòng)的情況時(shí).

圖5 實(shí)例car 特征點(diǎn)數(shù)量變化比較Fig.5 Comparison of feature points in car video sequence

圖6 暗場(chǎng)景臉部跟蹤中特征點(diǎn)的穩(wěn)定性對(duì)比Fig.6 The stability of the feature points in low light

對(duì)同一個(gè)運(yùn)動(dòng)目標(biāo)，假設(shè)視頻跟蹤的相鄰兩幀之間的時(shí)間是連續(xù)的，即目標(biāo)的運(yùn)動(dòng)變化很小，則運(yùn)動(dòng)具有空間一致性，目標(biāo)各特征點(diǎn)間具有位移和方向的一致性. 如圖7 的變速情況，為運(yùn)動(dòng)目標(biāo)分別沿x 軸和y 軸的位移. 從圖7 可見，實(shí)例car 的運(yùn)動(dòng)變化較小，實(shí)例motocross 的運(yùn)動(dòng)變化劇烈. 由空間一致性可知，運(yùn)動(dòng)目標(biāo)的速度即幀間的位移大小也具有一致性. 具體步驟為:①由歐式距離計(jì)算下一幀目標(biāo)模型點(diǎn)的位移大小并統(tǒng)計(jì)概率;②分析概率分布的特征得出位移大小的臨界值;③根據(jù)空間一致性約束篩選下一幀目標(biāo)模型中的特征點(diǎn)和隨機(jī)采樣的新特征點(diǎn).

圖7 x 軸與y 軸方向上兩個(gè)目標(biāo)的運(yùn)動(dòng)軌跡Fig.7 The trajectory of two objects in the x-axis and y-axis

如圖8，模型特征點(diǎn)集位移大小的概率分析為:設(shè)目標(biāo)模型特征點(diǎn)數(shù)量為n，{x1，x2，…，xn}為各特征點(diǎn)的位移統(tǒng)計(jì)量，統(tǒng)計(jì)位移概率P(xk)，(0 ≤xk＜+ ∞，k = 1，2，…，n)，則概率分布函數(shù)為

其中，E = 3 為位移偏差;p(xi)為最大概率值. 當(dāng)F(x)≥0.5 時(shí)，xi為模型特征點(diǎn)的位移臨界值.

圖8 柱形特征點(diǎn)位移的概率分析Fig.8 Probability analysis in displacement of feature points

圖9 為視頻car，目標(biāo)小汽車經(jīng)過遮擋物的情況. 當(dāng)遮擋物與目標(biāo)運(yùn)動(dòng)產(chǎn)生相對(duì)運(yùn)動(dòng)時(shí)，即產(chǎn)生運(yùn)動(dòng)方向的不一致性. 本研究采用運(yùn)動(dòng)方向的一致性約束，能及時(shí)剔除目標(biāo)模型中偏離穩(wěn)定性的特征點(diǎn)，并約束新添加的采樣特征點(diǎn). 其算法步驟與位移一致性類似:①計(jì)算下一幀的目標(biāo)模型各個(gè)特征點(diǎn)相對(duì)于當(dāng)前幀的目標(biāo)模型特征點(diǎn)所在的方向(正東、東南、正南、西南、正西、西北、正北和東北)，然后統(tǒng)計(jì)這8 個(gè)方向上各方向的概率;②分析概率分布的特征得出下一幀的運(yùn)動(dòng)方向;③根據(jù)方向一致性約束篩選下一幀目標(biāo)模型中的特征點(diǎn)和隨機(jī)采用的新特征點(diǎn).

圖9 實(shí)例(car)特征點(diǎn)方向分析Fig.9 Direction analysis in feature points of car video sequence

模型特征點(diǎn)運(yùn)動(dòng)方向的概率分析如下:設(shè)目標(biāo)模型特征點(diǎn)數(shù)量為n，{y1，y2，…，yn}為各特征點(diǎn)的方向統(tǒng)計(jì)量，統(tǒng)計(jì)方向概率P(yk)，(yk= 1，2，…，8，k = 1，2，…，n)，則概率分布函數(shù)為

其中，E = 1 為方向偏差;p(yi)為最大概率值. 當(dāng)F(y)≥0.5 時(shí)，yi為模型特征點(diǎn)的運(yùn)動(dòng)方向，目標(biāo)做線性運(yùn)動(dòng);否則，目標(biāo)做非線性運(yùn)動(dòng).

一致性約束能使描述目標(biāo)的特征點(diǎn)隨目標(biāo)的改變而變化，從而保持目標(biāo)模型的穩(wěn)定性.

3 實(shí)驗(yàn)結(jié)果及分析

本研究的實(shí)驗(yàn)數(shù)據(jù)均出自文獻(xiàn)［13］，包括多種不同情況的實(shí)例視頻，并按15 幀/秒的速率轉(zhuǎn)化為320 ×240 的灰度圖像序列處理. 本研究提出的動(dòng)態(tài)選擇模型跟蹤算法通過學(xué)習(xí)特征點(diǎn)的穩(wěn)定性進(jìn)行運(yùn)動(dòng)目標(biāo)的實(shí)時(shí)跟蹤. 本實(shí)驗(yàn)中，首先用隨機(jī)采樣模型初始化目標(biāo)模型. 在第1 幀中隨機(jī)采樣，選取目標(biāo)區(qū)域中的100 個(gè)像素，利用Lucase-Kanade 光流法得到第2 幀的對(duì)應(yīng)點(diǎn)，再根據(jù)一致性約束條件獲得符合要求的對(duì)應(yīng)點(diǎn)作為特征點(diǎn)(位移的臨界值范圍采用E = ±3)，此時(shí)這些特征點(diǎn)作為目標(biāo)的特征描述用來初始化目標(biāo)模型. 然后隨機(jī)采樣模型繼續(xù)采樣100 個(gè)像素，并行計(jì)算隨機(jī)采樣點(diǎn)和目標(biāo)模型特征點(diǎn)在下一幀的對(duì)應(yīng)點(diǎn). 從目標(biāo)模型特征點(diǎn)在下一幀的對(duì)應(yīng)點(diǎn)中得到一致性約束條件，通過這些一致性約束條件剔除目標(biāo)模型在下一幀中不穩(wěn)定的特征點(diǎn)，同時(shí)用此一致性約束條件篩選隨機(jī)采樣點(diǎn)在下一幀中的對(duì)應(yīng)點(diǎn). 當(dāng)目標(biāo)模型中穩(wěn)定的特征點(diǎn)的數(shù)量減少時(shí)，篩選過的隨機(jī)采樣點(diǎn)作為目標(biāo)特征點(diǎn)加入目標(biāo)模型，維持目標(biāo)模型特征點(diǎn)的數(shù)量在一個(gè)峰值上. 如圖10，實(shí)例motocross 跟蹤過程有效特征點(diǎn)數(shù)N 最大達(dá)92，這也是本實(shí)驗(yàn)初始設(shè)置采樣點(diǎn)為100 的原因. 另外，如實(shí)例motocross 和pedestrian2，N 最小為8，當(dāng)N ＜8 時(shí)，特征點(diǎn)不足以描述目標(biāo)，因此目標(biāo)跟蹤失敗.

圖10 目標(biāo)模型特征點(diǎn)數(shù)峰值分析Fig.10 Peak analysis in object model

采用本研究提出的算法(model)和具有代表性的3 種算法［14］，包括FB (forward-backward)、NCC (normalized cross correlation)、FB + NCC 分別進(jìn)行跟蹤實(shí)驗(yàn)，并進(jìn)行對(duì)比，結(jié)果如表1. 其中，7個(gè)實(shí)例分別為①低速行駛穿過部分遮擋物的汽車(car);②室內(nèi)亮度變化的行人(david);③劇烈晃動(dòng)的跳繩運(yùn)動(dòng)(jumping)，④身體有遮擋的并行路人(predestrian1);⑤人影很明顯的行人(predestrian2);⑥背景和衣色紋理相似的行人(predestrian3);⑦高速運(yùn)動(dòng)中的越野摩托(motocross).

表1 FB，NCC，F(xiàn)B+NCC 算法與本研究算法在有效跟蹤上的幀數(shù)對(duì)比Table 1 Comparison with approaches (FB，NCC，F(xiàn)B+NCC)in terms of the numbers of correctly tracked frames

由表1 可見，在大部分低速運(yùn)動(dòng)的實(shí)例(car、david 和pedestrian2)中，幾種算法都能獲得較多的連續(xù)跟蹤，對(duì)部分遮擋情況都有很好的適應(yīng)性，但當(dāng)遮擋面積占目標(biāo)比例變大時(shí)，如實(shí)例car 中，F(xiàn)B+NCC 算法最早跟蹤失敗. 其次，如實(shí)例motocross這種高速變速運(yùn)動(dòng)，F(xiàn)B、NCC 和FB +NCC 等算法因無(wú)法快速適應(yīng)變化的特征點(diǎn)，導(dǎo)致跟蹤失敗. 本研究提出的模型算法能較好地適應(yīng)該情況，獲得良好的跟蹤效果. 最后，圖11 給出本算法在時(shí)間效率上的情況，圖中可知本算法的平均耗時(shí)優(yōu)于FB+NCC 算法，有較高的實(shí)時(shí)性.

圖11 本算法和FB+NCC 算法目標(biāo)跟蹤效率比較Fig.11 Comparison with FB+NCC on the time efficiency

結(jié) 語(yǔ)

為能實(shí)時(shí)平穩(wěn)跟蹤動(dòng)態(tài)目標(biāo)，提出一種基于光流法的目標(biāo)跟蹤算法. 該算法通過實(shí)時(shí)學(xué)習(xí)目標(biāo)的特征點(diǎn)，而這些特征點(diǎn)在一定時(shí)間范圍內(nèi)具有穩(wěn)定描述目標(biāo)特征的特性，即在面臨光照變化、目標(biāo)形變、部分遮擋、變速運(yùn)動(dòng)、尺度縮放、旋轉(zhuǎn)、圖片噪音和模糊等因素的情況下仍能有效表達(dá)目標(biāo)特征，從而找出具備一致性約束的特征點(diǎn)進(jìn)行跟蹤并獲得目標(biāo)的運(yùn)動(dòng)軌跡. 較之現(xiàn)有流行目標(biāo)跟蹤算法，該算法具有目標(biāo)跟蹤的穩(wěn)定性，即不易跟丟目標(biāo)，同時(shí)該算法耗時(shí)相對(duì)較少，實(shí)時(shí)性較高. 不過，和其他算法類似，該算法在實(shí)時(shí)跟蹤的目標(biāo)消失或完全遮擋情況下，需重新檢測(cè)目標(biāo)，才能繼續(xù)跟蹤. 下一步，我們將結(jié)合目標(biāo)檢測(cè)的算法，處理目標(biāo)消失和完全遮擋后繼續(xù)跟蹤的情況.

/ References:

［1］HuuGiao Nguyen，F(xiàn)ablet R，Ehrhold A，et al. Keypoint-based analysis of sonar images:application to seabed recognition ［J］. IEEE Transactions on Geoscience and Remote Sensing，2012，50(4):1171-1184.

［2］Ren C X，Dai D Q，Yan H. Coupled kernel embedding for low-resolution face image recognition ［J］. IEEE Transactions on Image Processing，2012，21(8):3770-3783.

［3］Yilmaz A，Javed O，Shah M. Object tracking:a survey［J］. ACM Computer Surveys，2006，38(4):1-45.

［4］Qiao Y，Wang W，Minematsu N，et al. A theory of phase singularities for image representation and its applications to object tracking and image matching ［J］. IEEE Transactions on Image Processing，2009，18(10):2153-2166.

［5］Khan Z H，Gu I Y H. Joint feature correspondences and appearance similarity for robust visual object tracking［J］. IEEE Transactions on Information Forensics and Security，2010，5(3):591-606.

［6］Sun L，Liu G Z. Visual object tracking based on combination of local description and global representation ［J］.IEEE Transactions on Circuits and Systems for Video Technology，2011，21(4):408-420.

［7］Lowe D G. Distinctive image features from scale-invariant key points ［J］. International Journal Computer Vision，2004，60(2):91-110.

［8］Pan P，Schonfeld D. Video tracking based on sequential particle filtering on graphs ［J］. IEEE Transactions on Image Processing，2011，20(6):1641-1651.

［9］Fernando W S P，Udawatta L，Pathirana P N. Identification of moving obstacles with Pyramidal Lucas Kanade optical flow and k means clustering ［C］// Proceedings of 3rd International Conference on Information and Automation for Sustainability. Melbourne (Australia): IEEE Press，2007:111-117.

［10］Siong L Y，Mokri S S，Hussain A，et al. Motion detection using Lucas Kanade algorithm and application enhancement ［C］// International Conference on Electrical Engineering and Informatics. Bangi (Malaysia):IEEE Press，2009，2:537-542.

［11］Pyda B，Brindha R. A novel high speed L-K based optical flow computation ［C］// International Conference on Communication and Computational Intelligence.Erode(India):IEEE Press，2010，2:104-108.

［12］Kovashka A，Grauman K. Learning a hierarchy of discriminative space-time neighborhood features for human action recognition ［C］// Conference on Computer Vision and Pattern Recognition. San Francisco (USA):IEEE Press，2010，2:2046-2053.

［13］Yu Q，Dinh T，Medioni G. Online tracking and reacquisition using co-trained generative and discriminative trackers ［J］. Lecture Notes in Computer Science，2008:678-691.

［14］ Kalal Z，Mikolajczyk K，Matas J. Forward-backward error:automatic detection of tracking failures ［C］// The 20th International Conference on Pattern Recognition.Istanbul (Turkey ): Springers Press，2010:2756-2759.