結(jié)構(gòu)化的聯(lián)合特征表觀模型

楊大為++劉麗萍++祁燕

摘 要：針對單目標(biāo)跟蹤過程中的部分遮擋問題，提出了一種結(jié)構(gòu)化的聯(lián)合特征表觀模型。該模型將被跟蹤的目標(biāo)圖像劃分成若干圖像塊，在每個(gè)圖像塊內(nèi)分別計(jì)算其顏色特征和紋理特征，將這些特征向量化后作為目標(biāo)的表觀模型。實(shí)驗(yàn)結(jié)果表明了該方法的有效性。

關(guān)鍵字：表觀模型 顏色特征 紋理特征

中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2015）04（c）-0001-01

目標(biāo)跟蹤是計(jì)算機(jī)視覺領(lǐng)域的的研究熱點(diǎn)之一，廣泛地應(yīng)用于視頻監(jiān)控、機(jī)器人導(dǎo)航和人機(jī)交互等領(lǐng)域。近年來，研究人員提出了大量的跟蹤方法及相關(guān)技術(shù)，但仍面臨許多難題，如光照變化、部分或完全遮擋、復(fù)雜背景環(huán)境干擾等。設(shè)計(jì)一個(gè)魯棒的目標(biāo)表觀模型成為目標(biāo)跟蹤的關(guān)鍵任務(wù)。

根據(jù)不同的外觀表示方法，跟蹤模型可被分為兩類：生成模型和判別模型。生成模型包括Black等[1]提出的離線子空間表觀模型，WLS跟蹤器[2]和IVT方法[3]等在線模型以及基于稀疏表達(dá)[4]的方法。這些生成模型都沒有考慮背景信息，丟棄了一些把目標(biāo)從背景中判別出來的有用信息。

判別模型把跟蹤問題看作是將目標(biāo)從背景中分離出來的二分類問題。Avidan等[5]的方法所使用的特征中包含了影響分類器性能的無關(guān)信息。Grabner等[6]提出了在線boosting特征選擇方法，可能會(huì)導(dǎo)致跟蹤失敗。MIL跟蹤器[7]可能會(huì)選擇一些效果較小的正樣本。壓縮跟蹤（CT）[8]對跟蹤目標(biāo)的模板進(jìn)行壓縮，但沒有解決目標(biāo)尺度變化的問題。

針對目標(biāo)跟蹤中的部分遮擋問題，該文提出了一種結(jié)構(gòu)化的聯(lián)合特征表觀模型。該模型將目標(biāo)圖像劃分成若干圖像塊，這些圖像塊保持了固定的空間結(jié)構(gòu)信息；在每個(gè)圖像塊內(nèi)分別計(jì)算局部顏色特征和紋理特征，向量化后作為目標(biāo)的表觀特征。

1 結(jié)構(gòu)化的加權(quán)聯(lián)合特征表觀模型

1.1 顏色特征

顏色特征是計(jì)算機(jī)視覺領(lǐng)域中應(yīng)用最為廣泛的特征，具有較高的魯棒性。本文選擇顏色特征中的一階矩和二階矩來表示圖像中顏色的分布，其數(shù)學(xué)定義如下：

（1）

（2）

其中，表示彩色圖像第i個(gè)顏色通道分量中灰度值為j的像素出現(xiàn)的概率，N表示圖像中的像素個(gè)數(shù)。

1.2 紋理特征

圖像的熵是一種紋理特征的統(tǒng)計(jì)形式，既反映了圖像灰度的聚集特征，也反映了灰度分布的空間特征，其定義為：

（3）

1.3 結(jié)構(gòu)化的聯(lián)合特征表觀模型

設(shè)當(dāng)前幀圖像為，候選目標(biāo)圖像為，將候選目標(biāo)圖像劃分為個(gè)圖像塊。在每個(gè)圖像塊中分別計(jì)算顏色矩特征和二維熵特征，并將這些特征形成特征向量，表示第個(gè)圖像塊的顏色特征分量，表示第個(gè)圖像塊的紋理特征分量。

2 實(shí)驗(yàn)結(jié)果與分析

將該文的表觀模型結(jié)合貝葉斯理論進(jìn)行跟蹤，并與CT跟蹤算法和MIL跟蹤算法進(jìn)行對比。所有算法均在PC機(jī)（Intel CoreTM 2 Duo CPU，2.29 GHz，2.00 GB）上實(shí)現(xiàn)，其軟件環(huán)境為Matlab R2010b，測試的視頻序列包括典型的部分遮擋。

該文使用中心位置差和每一幀的平均跟蹤時(shí)間作為上述算法的評價(jià)指標(biāo)，結(jié)果表明本文的方法對部分遮擋具有較好的魯棒性，且平均跟蹤時(shí)間明顯優(yōu)于對比算法。

3 結(jié)語

針對單目標(biāo)跟蹤中的部分遮擋問題，該文提出了一種結(jié)構(gòu)化的聯(lián)合特征表觀模型。該模型既保留了被跟蹤目標(biāo)的空間結(jié)構(gòu)信息，又考慮了目標(biāo)的顏色和紋理特征。將該模型結(jié)合貝葉斯理論進(jìn)行目標(biāo)跟蹤，實(shí)驗(yàn)結(jié)果證明了該文表觀模型的有效性。

參考文獻(xiàn)

[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.