自適應(yīng)實(shí)時(shí)壓縮感知跟蹤算法*

?

自適應(yīng)實(shí)時(shí)壓縮感知跟蹤算法*

0引言

【研究意義】目標(biāo)跟蹤技術(shù)在計(jì)算機(jī)視覺(jué)研究領(lǐng)域中有著非常重要的地位，已被廣泛應(yīng)用在車(chē)輛導(dǎo)航、視頻監(jiān)視以及人機(jī)交互等方面[1]。近幾十年來(lái)，學(xué)者們提出了許多有效的目標(biāo)跟蹤算法，并且取得很大的突破[2-9]，但是目標(biāo)跟蹤仍然是一個(gè)具有挑戰(zhàn)性的課題，制約跟蹤效果的因素包括目標(biāo)姿態(tài)和形狀等內(nèi)因變化，以及相機(jī)視角、紋理、光照和遮擋等外因變化。理想的目標(biāo)跟蹤算法是指該算法在魯棒性和實(shí)時(shí)性?xún)蓚€(gè)方面達(dá)到平衡?！厩叭搜芯窟M(jìn)展】早期的目標(biāo)跟蹤算法有均值濾波、卡爾曼濾波、粒子濾波、光流法和模板匹配法等。目前實(shí)時(shí)跟蹤的熱點(diǎn)方法是將跟蹤問(wèn)題看成是在線的二值分類(lèi)問(wèn)題，一類(lèi)屬于背景，一類(lèi)屬于目標(biāo)，其任務(wù)是將目標(biāo)從背景中分離出來(lái)。在跟蹤的過(guò)程中通過(guò)結(jié)合背景和前景(目標(biāo))信息來(lái)實(shí)時(shí)更新目標(biāo)模型的分類(lèi)器，從而提高跟蹤性能。Aviclan[10]提出的集成跟蹤算法(Ensembl Tracker)，是利用Adboost 算法將在線訓(xùn)練得到的多個(gè)弱分類(lèi)器合成一個(gè)強(qiáng)分類(lèi)器，然后用這個(gè)強(qiáng)分類(lèi)器標(biāo)記下一幀的像素，用以對(duì)像素進(jìn)行目標(biāo)和背景分類(lèi)。Grabner等[11]提出的在線提升(Online Boosting)算法，是將當(dāng)前跟蹤結(jié)果作為正樣本，并在跟蹤結(jié)果周?chē)杉?fù)樣本，與上面方法的思想類(lèi)似，利用Adboost算法進(jìn)行在線特征選擇。該方法能有效地解決跟蹤過(guò)程中遇到的目標(biāo)姿態(tài)、紋理及光照變化等問(wèn)題。后來(lái)Grabner等[5]又在上述理論的基礎(chǔ)上進(jìn)一步提出了一種半監(jiān)督學(xué)習(xí)方法，克服了模型更新帶來(lái)的漂移問(wèn)題，但由于該方法是用帶有誤差的次優(yōu)樣板更新訓(xùn)練分類(lèi)器，因此，隨著時(shí)間的推移誤差逐漸積累，最終將會(huì)導(dǎo)致跟蹤失敗。為了解決上述問(wèn)題，Babenko等[12-13]提出在線多實(shí)例學(xué)習(xí)MIL(Multiple Instance Learning) 算法，該方法將多個(gè)樣本放到一個(gè)集合里面，并給它們賦一個(gè)標(biāo)簽。當(dāng)這個(gè)集合里面的樣本存在一個(gè)或者一個(gè)以上的正樣本時(shí)，這個(gè)標(biāo)簽就為正，否則為負(fù)。在多實(shí)例學(xué)習(xí)算法中，通過(guò)尋找集合中最正確的示例確定跟蹤目標(biāo)，解決了樣本可能使得分類(lèi)器產(chǎn)生迷惑的問(wèn)題。Zhang等[14-15]提出一種簡(jiǎn)單高效的實(shí)時(shí)壓縮感知跟蹤算法，該算法通過(guò)一個(gè)利用符合壓縮感知約束等距性(RIP)條件的、特別稀疏的投影矩陣去提取目標(biāo)和背景的廣義harr-like特征，分別作為在線學(xué)習(xí)更新分類(lèi)器的正、負(fù)樣本，并用樸素貝葉斯分類(lèi)器進(jìn)行背景和目標(biāo)的分類(lèi)，該方法的實(shí)時(shí)性很高?！颈狙芯壳腥朦c(diǎn)】但是該方法由于分類(lèi)器更新的過(guò)程中引入了更新程度參數(shù)λ，且在實(shí)際中λ需要提前給定，若給定的值過(guò)大會(huì)使得分類(lèi)器更新過(guò)程無(wú)法適應(yīng)目標(biāo)外觀的變化，過(guò)小則容易使分類(lèi)器“過(guò)學(xué)習(xí)”。因此，必須解決實(shí)時(shí)壓縮感知跟蹤算法分類(lèi)器無(wú)法適應(yīng)目標(biāo)外觀變化及過(guò)更新的問(wèn)題?！緮M解決的關(guān)鍵問(wèn)題】提出一種自適應(yīng)實(shí)時(shí)壓縮感知跟蹤算法，根據(jù)當(dāng)前跟蹤結(jié)果目標(biāo)模型的哈希指紋與上一幀目標(biāo)模型的哈希指紋間的漢明距離(Hamming distance)d，在線實(shí)時(shí)調(diào)整分類(lèi)器更新程度參數(shù)λ。實(shí)驗(yàn)結(jié)果表明，在背景中存在與前景目標(biāo)有一定相似性的物體，且目標(biāo)姿態(tài)、紋理變化和光照變化較大等情況下，自適應(yīng)實(shí)時(shí)壓縮感知跟蹤算法仍然能夠?qū)δ繕?biāo)進(jìn)行實(shí)時(shí)準(zhǔn)確地跟蹤。

1實(shí)時(shí)壓縮感知跟蹤

壓縮感知理論[16]指出：只要信號(hào)是可壓縮的或者在某個(gè)變換域是稀疏的，那么就可以用一個(gè)與變換基不相關(guān)的投影矩陣，將原始的高維信號(hào)投影到一個(gè)低維空間上，然后通過(guò)求解一個(gè)優(yōu)化問(wèn)題就可以從這些少量的投影中以高概率重構(gòu)出原始信號(hào)。在該理論框架下，采樣速率很大程度上取決于兩個(gè)基本準(zhǔn)則：稀疏性和等距約束性，或者稀疏性和非相關(guān)性。文獻(xiàn)[15]中的實(shí)時(shí)壓縮感知跟蹤算法提出了一個(gè)滿(mǎn)足RIP條件非常稀疏的隨機(jī)投影矩陣R，用這個(gè)投影矩陣將高維原始信號(hào)投影到一個(gè)低維壓縮子空間上，該子空間可以很好地保留原始圖像的特征信息，利用基于壓縮感知提取特征，該算法的數(shù)學(xué)表達(dá)式如下：

V=RX,

(1)

其中，X∈Rm×1為原始高維信號(hào)，V∈Rm為壓縮后特征，R∈Rn×m(n?m)為稀疏隨機(jī)投影矩陣，滿(mǎn)足RIP條件，其矩陣元素定義如下：

(2)

其中，s隨機(jī)取2或者3，新的特征vi由原始圖像特征通過(guò)rij加權(quán)求和得到，新特征壓縮提取如圖1所示。

圖1特征壓縮提取示意圖

Fig.1Diagram of feature extraction by compression

文獻(xiàn)[15]的跟蹤過(guò)程是在上一幀目標(biāo)區(qū)域的周?chē)蓸觧個(gè)區(qū)域作為候選區(qū)域，然后利用(1)式對(duì)這n個(gè)區(qū)域進(jìn)行特征壓縮提取，得到n個(gè)低維特征向量v=(v1，v2，v3，…，vn)T，最后通過(guò)樸素貝葉斯分類(lèi)器H(v)進(jìn)行前景目標(biāo)和背景目標(biāo)分離，選取n個(gè)區(qū)域中H(v)值最大的區(qū)域作為當(dāng)前幀跟蹤到的目標(biāo)，樸素貝葉斯分類(lèi)器H(v)公式如下：

(3)

其中，y=0表示負(fù)樣本，y=1表示正樣本，兩個(gè)類(lèi)先驗(yàn)概率相等p(y=1)=p(y=0)=0.5，分類(lèi)器H(v)中的條件概率p(v1|y=1)和p(vi|y=0)服從高斯分布，其均值和標(biāo)準(zhǔn)差分別為μ1，σ1和μ0，σ0。得到當(dāng)前幀目標(biāo)后，對(duì)這4個(gè)參數(shù)進(jìn)行增量更新：

(4)

式中，λ為更新程度參數(shù)，取值范圍是0<λ<1，其取值影響更新速度的學(xué)習(xí)率，λ值越小更新速度越快，反之越慢。

該算法在背景中存在與目標(biāo)有一定相似性的物體，目標(biāo)姿態(tài)、紋理變化和光照變化較大等情況下容易發(fā)生漂移或者跟丟目標(biāo)，如圖2中藍(lán)色虛線矩形框所示。

圖2實(shí)時(shí)壓縮感知跟蹤結(jié)果

Fig.2Tracking result of real-time compressive tracking

2感知哈希算法

感知哈希算法[17-18]是哈希算法的一類(lèi)，主要用來(lái)做相似圖片的搜索工作。它的原理是對(duì)每張圖片生成一個(gè)“指紋”(fingerprint)字符串，然后比較不同圖片的指紋。結(jié)果越接近說(shuō)明圖片越相似。 下面用最簡(jiǎn)單的步驟來(lái)說(shuō)明感知哈希算法的原理：

1)縮小尺寸：快速去除高頻和細(xì)節(jié)，只保留結(jié)構(gòu)、明暗等基本信息的方法。將圖片縮小到8×8的尺寸，總共64個(gè)像素。摒棄不同尺寸、比例帶來(lái)的圖片差異。

2)簡(jiǎn)化色彩：將8×8的小圖片轉(zhuǎn)為64級(jí)灰度，即所有像素點(diǎn)總共只有64種顏色。

3)計(jì)算平均值：計(jì)算所有64個(gè)像素的灰度平均值。

4)比較像素的灰度：將每個(gè)像素的灰度，與平均值進(jìn)行比較，大于或等于平均值，記為1；小于平均值，記為0。

5)計(jì)算哈希值：將上一步比較結(jié)果組合在一起構(gòu)成一個(gè)64位的整數(shù)，即為該圖片的指紋。組合的次序不重要，只要保證所有圖片都采用同樣次序即可。

若要比較兩個(gè)圖片的相似性，首先要計(jì)算這兩張圖片的哈希指紋，即64位1或0值，然后計(jì)算出不同位的個(gè)數(shù)，理論上，這等同于計(jì)算“漢明距離”。漢明距離等于0，說(shuō)明這兩張圖片非常相似；漢明距離小于5，說(shuō)明圖片略有不同，但比較相似；漢明距離大于10，說(shuō)明兩張圖片完全不同。

3自適應(yīng)實(shí)時(shí)壓縮感知跟蹤算法

本文在實(shí)時(shí)壓縮感知跟蹤的基礎(chǔ)上，利用壓縮感知哈希算法計(jì)算當(dāng)前幀跟蹤結(jié)果目標(biāo)模型的哈希指紋與上一幀目標(biāo)模型的哈希指紋之間的漢明距離，在線實(shí)時(shí)調(diào)整樸素貝葉斯分類(lèi)器，使得分類(lèi)器能夠根據(jù)目標(biāo)外觀變化快慢，自適應(yīng)調(diào)整更新程度參數(shù)λ。具體思想：首先設(shè)置高閾值和低閾值，H=10為高閾值，L=5為低閾值，計(jì)算當(dāng)前一幀跟蹤結(jié)果目標(biāo)模型的哈希指紋與上一幀目標(biāo)模型的哈希指紋間的漢明距離d。當(dāng)d>H時(shí)，說(shuō)明背景中存在與前景目標(biāo)有一定相似性的物體或者目標(biāo)姿態(tài)、紋理變化、光照變化較大等，發(fā)生目標(biāo)跟蹤漂移或者跟丟，這時(shí)候，貝葉斯分類(lèi)器的更新主要依賴(lài)于上一幀目標(biāo)模型，若更新程度參數(shù)λ太小，則容易引起分類(lèi)器過(guò)更新，這時(shí)要適當(dāng)調(diào)大λ值；當(dāng)d≤L時(shí)，說(shuō)明目標(biāo)外觀變化緩慢，這時(shí)候，貝葉斯分類(lèi)器的更新主要依賴(lài)于當(dāng)前幀的目標(biāo)模型，若更新程度參數(shù)λ太大，會(huì)造成分類(lèi)器更新過(guò)程中無(wú)法適應(yīng)目標(biāo)外觀的變化，這時(shí)要適當(dāng)調(diào)小λ值；當(dāng)L

(5)

本文在文獻(xiàn) [15]實(shí)時(shí)壓縮感知跟蹤算法的基礎(chǔ)上，提出自適應(yīng)實(shí)時(shí)壓縮感知跟蹤算法，其流程如下：

輸入：第t幀圖像

1)以t-1幀目標(biāo)位置的lt-1為中心，γ為半徑采集候選目標(biāo)樣本集Dγ={z|‖l(z)-lt‖<γ}，然后利用公式(1)對(duì)目標(biāo)樣本集進(jìn)行特征提取，得到集合的特征向量v，計(jì)算t-1幀跟蹤目標(biāo)的哈希指紋Hat-1并保存；

2)使用公式(3)中的H(v)貝葉斯分類(lèi)器對(duì)上述集合的特征向量v進(jìn)行分類(lèi)，將目標(biāo)從背景中分離出來(lái)，具有最大H(v)值的候選區(qū)即為當(dāng)前幀跟蹤的目標(biāo)，其位置記為lt，計(jì)算當(dāng)前幀跟蹤目標(biāo)的哈希指紋Hat并保存；

3)計(jì)算當(dāng)前幀跟蹤目標(biāo)的哈希指紋Hat與上一幀跟蹤目標(biāo)的哈希指紋Hat-1間的漢明距離d，將d與高低閾值進(jìn)行比較，自適應(yīng)調(diào)整更新程度參數(shù)λ；

4)采集目標(biāo)樣本和背景樣本：以當(dāng)前目標(biāo)位置lt為中心，α為半徑采集目標(biāo)樣本集Da={z|‖l(z)-lt‖

5)利用公式(1)對(duì)目標(biāo)樣本和背景樣本進(jìn)行特征提取，代入公式(4)來(lái)更新分類(lèi)器參數(shù)μ1，σ1和μ0，σ0。

輸出：第t幀跟蹤到的目標(biāo)位置lt、自適應(yīng)更新程度參數(shù)λ及更新后的分類(lèi)器參數(shù)。

4算法驗(yàn)證

為了驗(yàn)證本文提出的自適應(yīng)實(shí)時(shí)壓縮感知跟蹤算法(簡(jiǎn)稱(chēng)ACT算法)在視頻目標(biāo)跟蹤中的魯棒性和有效性，使用David、Coupon、Toy、Sylvester、Lemming和Jumping這6個(gè)標(biāo)準(zhǔn)視頻序列進(jìn)行測(cè)試，并且與文獻(xiàn)[15]的 Compressive Tracking算法(簡(jiǎn)稱(chēng)CT算法)、文獻(xiàn)[13]的Multiple Instance Learning算法(簡(jiǎn)稱(chēng)MIL算法)進(jìn)行比較。為保證公平設(shè)置參數(shù)時(shí)每個(gè)算法處于最優(yōu)跟蹤性能，在CT算法中正樣本采集半徑α=4，產(chǎn)生45個(gè)正樣本，負(fù)樣本采集內(nèi)半徑ζ=8，外半徑β=30，在圓環(huán)中隨機(jī)選擇50負(fù)樣本，目標(biāo)候選區(qū)域γ=20，產(chǎn)生約1100個(gè)候選區(qū)域樣本，更新程度參數(shù)λ=0.85。在ACT算法中正樣本采集半徑α=4，產(chǎn)生45個(gè)正樣本，負(fù)樣本采集內(nèi)半徑ζ=8，外半徑β=30，在圓環(huán)中隨機(jī)選擇50負(fù)樣本，目標(biāo)候選區(qū)域γ=20，產(chǎn)生約1100個(gè)候選區(qū)域樣本，哈希指紋間的漢明距離d在高低閾值H、L不同范圍內(nèi)的自適應(yīng)更新程度參數(shù)為λ1=0.85，λ2=0.35，λ3=0.15。在MIL算法中，正樣本采集半徑r=25，產(chǎn)生一個(gè)45個(gè)正樣本的正包，負(fù)樣本采集半徑β=50，在負(fù)樣本集中隨機(jī)選擇65個(gè)負(fù)樣本組成負(fù)包，候選弱分類(lèi)器的個(gè)數(shù)M=250，從中挑選出響應(yīng)最大的弱分類(lèi)器個(gè)數(shù)為K=50，弱分類(lèi)器更新學(xué)習(xí)率ρ=0.85。

4.1定性分析

定性分析，即通過(guò)視覺(jué)對(duì)比，能夠?qū)λ惴ㄟM(jìn)行直觀地比較。圖3給出3個(gè)算法在David、Coupon、Toy、Sylvester、Lemming和Jumping這6個(gè)標(biāo)準(zhǔn)視頻序列中的跟蹤結(jié)果。

(a)David視頻序列中，跟蹤的目標(biāo)是David的臉部，視頻包含光照變化、目標(biāo)姿勢(shì)、尺度變化等挑戰(zhàn)。由于MIL算法的外觀更新公式較粗糙，(a)視頻的第290幀光照和目標(biāo)姿勢(shì)劇烈變化時(shí)，MIL算法跟蹤目標(biāo)失敗。CT算法在跟蹤過(guò)程中出現(xiàn)跟蹤漂移，而ACT算法卻能準(zhǔn)確地跟蹤目標(biāo)，在該視頻中取得最佳表現(xiàn)。

(b)Coupon視頻序列中，跟蹤的目標(biāo)是一張贈(zèng)券，背景干擾和遮擋增加了跟蹤目標(biāo)的難度，在該視頻中由于沒(méi)有光照、目標(biāo)姿態(tài)的較大變化，在3個(gè)算法中MIL算法能夠最優(yōu)地跟蹤目標(biāo)，由于具有自適應(yīng)調(diào)整更新程度參數(shù)的能力，ACT算法比CT算法要好一些。

(c)Toy視頻序列中，跟蹤的目標(biāo)是玩偶的正臉，玩偶在跟蹤過(guò)程中快速運(yùn)動(dòng)、多尺度變化和旋轉(zhuǎn)，在(c)視頻的第3幀中MIL算法跟丟目標(biāo)，此時(shí)ACT和CT算法還可以準(zhǔn)確跟蹤目標(biāo)，到了第82幀CT算法跟蹤出現(xiàn)漂移，ACT算法仍能很好地跟蹤目標(biāo)，在本視頻序列中ACT算法最佳，CT算法次佳。

(d)Sylvester視頻序列中，跟蹤的目標(biāo)是一個(gè)玩偶，視頻包含光照變化和目標(biāo)旋轉(zhuǎn)的干擾。ACT算法表現(xiàn)最佳，能準(zhǔn)確地跟蹤目標(biāo)，CT在跟蹤過(guò)程中發(fā)生漂移，MIL算法在第959幀中完全跟丟目標(biāo)。

圖36個(gè)測(cè)試序列的抽樣跟蹤結(jié)果

Fig.3Sampled tracking results of 6 tested sequences

(e)Lemming視頻序列中，跟蹤的目標(biāo)是玩偶旅鼠，視頻包含背景雜亂、遮擋、旋轉(zhuǎn)、序列較長(zhǎng)的因素，在目標(biāo)發(fā)生遮擋時(shí)，3個(gè)算法的表現(xiàn)并不理想。跟蹤過(guò)程中ACT算法由于目標(biāo)被遮擋，導(dǎo)致目標(biāo)跟丟，但快速調(diào)整后能重新準(zhǔn)確跟蹤目標(biāo)，而CT算法和MIL算法在目標(biāo)遮擋時(shí)，發(fā)生目標(biāo)跟丟后不能很好地調(diào)整，導(dǎo)致跟蹤失敗。在該視頻中ACT算法表現(xiàn)最佳。

(f)Jumping視頻序列中，跟蹤的目標(biāo)是跳繩男子的上半身，視頻包含模糊運(yùn)動(dòng)和快速運(yùn)動(dòng)因素，CT算法和ACT算法表現(xiàn)較好，而MIL算法在跟蹤目標(biāo)的過(guò)程中出現(xiàn)漂移。

4.2定量分析

表1平均中心誤差

Table 1Average center location errors

序列Sequence算法Methods(pixels)ACTCTMILDavid121723Coupon785Toy283236Sylvester4913Lemming51922Jumping7610TotalAverage101518

注：粗體數(shù)字表示最佳，斜體表示次佳

Note：Bold fonts indicate the best performance while the italic fonts indicate the second best ones

表2跟蹤成功率

Table 2Success rate

序列Sequence算法Methods(%)ACTCTMILDavid928752Coupon949198Toy443542Sylvester997568Lemming986154Jumping959857TotalAverage877461

注：粗體數(shù)字表示最佳，斜體表示次佳

Note：Bold fonts indicate the best performance while the italic fonts indicate the second best ones

5結(jié)論

針對(duì)實(shí)時(shí)壓縮感知目標(biāo)跟蹤算法在目標(biāo)姿態(tài)、紋理或光線變化劇烈時(shí)，不能自適應(yīng)地調(diào)整更新分類(lèi)器，導(dǎo)致跟蹤容易發(fā)生漂移、丟失目標(biāo)的問(wèn)題，提出自適應(yīng)的實(shí)時(shí)壓縮感知跟蹤算法。實(shí)驗(yàn)結(jié)果表明，在6個(gè)具有挑戰(zhàn)性的視頻中自適應(yīng)實(shí)時(shí)壓縮感知跟蹤算法表現(xiàn)較好，跟蹤成功率比CT算法高出13%，比MIL算法高26%。當(dāng)目標(biāo)大小為40 pixel×43 pixel時(shí)，處理幀速約為37 fps，滿(mǎn)足實(shí)時(shí)性要求。此外，ACT算法在目標(biāo)運(yùn)動(dòng)速度非?？斓那闆r下，跟蹤效果不是很理想，這是本文后續(xù)要研究和解決的重點(diǎn)問(wèn)題。

參考文獻(xiàn)：

[1]YILMAZ A,JAVED O,SHAH M.Object tracking:A survey[J].ACM Computing Surveys (CSUR)，2006，38(4)：1-45.

[2]AVIDAN S，TECHNOL M V，JERUSALEM I.Sup-

port vector tracking[C]//Computer Vision and Pattern Recognition.[S.l.]:IEEE,2001:184-191.

[3]JEPSON A D,FLEET D J,EL-MARAGHI T F.Robust online appearance models for visual tracking,IEEE Trans[J].Pattern Anal Mach Intell,2003,25(10):1296-1311.

[4]COLLINS R T,LIU Y,LEORDEANU M.Online selection of discriminative tracking features,IEEE Trans[J].Pattern Anal Mach Intell,2005,27(10):1631-1643.

[5]GRABNER H,LEISTNER C,BISCHOF H.Semi-supervisedon-line boosting for robust tracking[C]//FORSYTH D,TORR P,ZISSERMAN A,eds.Computer Vision-ECCV 2008.[S.l.]:Springer Berlin Heidelberg,2008:234-247.

[6]MEI X,LING H.Robust visual tracking using l1minimization[C]//Proc IEEE Int Comput Vis Conf.Sep.[S.l.:s.n.],2009:1436-1443.DOI:10.1109/ICCV.2009.5459292.

[7]KWON J,LEE K M.Visual tracking decomposition

[C]//Computer Vision and Pattern Recognition(CVPR),2010 IEEE Conference on.SanFrancisco,CA:IEEE,2010:1269-1276.DOI:10.1109/CVPR.2010.5539821.

[8]KALAL Z,MATAS J,MIKOLAJCZYK K.P-N learning:Bootstrapping binary classifiers by structural constraints[C]//Computer Vision and Pattern Recognition(CVPR),2010 IEEE Conference on.SanFrancisco,CA:IEEE,2010:49-56.DOI:10.1109/CVPR.2010.5540231.

[9]WANG Q,CHEN F,XU W L,et al.Online discriminative object tracking with local sparse representation[C]// M in Applications of Computer Vision (WACV),2012 IEEE Workshop on.[S.l.:s.n.],2012:425-432.

[10]AVIDAN S.Ensemble tracking[C]//Computer Visi-

on and Pattern Recognition,IEEE Computer Society Conference.[S.l.:s.n.],2005:261-271.

[11]GRABNER H,BISCHOF H.On-line boosting and vision[C]//Computer Vision and Pattern Recognition,2006 IEEE Computer Society Conference on.[S.l.:s.n.],2006:260-267.

[12]BABENKO B,YANG M H,BELONGIE S.Visual

tracking with online multiple instance learning[C]//Computer Vision and Pattern Recognition,2009.[S.l.]:IEEE,2009:983-990.

[13]BABENKO B,YANG M H,BELONGIE S.Robust

object tracking with online multiple instance learning[J].Pattern Analysis and Machine Intelligence,IEEE Transactions on,2011,33:1619-1632.

[14]ZHANG K H,SONG H H.Real-time visual tracking via online weighted multiple instance learning[J].Pattern Recognition,2013,46:397-411.

[15]ZHANG K H,ZHAGN L,YANG M H.Real-time

compressive tracking[C]//FITZGIBBON A,LAZEBNIK A PERONA P,et al,eds.Computer Vision-ECCV 2012.[S.l.]:Springer Berlin Heidelberg,2012：864-877.

[16]DONOHO D L.Compressed sensing[J].IEEE Tran-

sactions on Information Theory,2006,52 (4):1289-1306.

[17]KRAWETA N.The Hacker factor blog[EB/OL].

[2015-09-22].http://www.hackerfactor.com/blog/index.php?/archives/432-Looks-Like-It.html.

[18]CHEN C.感知哈希算法：找出相似的圖片[EB/OL].[2015-09-12].http://www.cnblogs.com/technology/archive/2012/07/12/Perceptual-Hash-Algorithm.html.

CHEN C.Perception of hash algorithm:Find the similar images[EB/OL].[2015-09-12].http://www.cnblogs.com/technology/archive/2012/07/12/Percept-

ual-Hash-Algorithm.html.

(責(zé)任編輯:陸雁)

Adaptive Real-time Compressive Sensing Tracking Algorithm

梁劍平，朱曉姝

LIANG Jianping，ZHU Xiaoshu

(玉林師范學(xué)院計(jì)算機(jī)科學(xué)與工程學(xué)院，廣西玉林537000)

(School of Computer Science and Engineering，Yulin Normal University，Yulin，Guangxi，537000，China)

摘要：【目的】解決實(shí)時(shí)壓縮感知跟蹤算法分類(lèi)器無(wú)法適應(yīng)目標(biāo)外觀變化及過(guò)更新的問(wèn)題?！痉椒ā扛鶕?jù)當(dāng)前跟蹤結(jié)果目標(biāo)模型的哈希指紋與上一幀目標(biāo)模型的哈希指紋之間的漢明距離(Hamming distance)，在線實(shí)時(shí)調(diào)整分類(lèi)器，以提高實(shí)時(shí)壓縮感知目標(biāo)跟蹤算法的自適應(yīng)能力?！窘Y(jié)果】自適應(yīng)實(shí)時(shí)壓縮感知跟蹤算法的跟蹤成功率比實(shí)時(shí)壓縮感知跟蹤算法提高13%，在目標(biāo)大小為40 pixel×43 pixel時(shí)，跟蹤速率為37 fps，滿(mǎn)足實(shí)時(shí)性要求?！窘Y(jié)論】本研究建立的方法在背景中存在與目標(biāo)有一定相似性的物體，且目標(biāo)姿態(tài)、紋理變化和光照變化較大等情況下，能快速獲取跟蹤目標(biāo)，并且具有較強(qiáng)的魯棒性和準(zhǔn)確性。

關(guān)鍵詞：壓縮感知目標(biāo)跟蹤哈希指紋漢明距離自適應(yīng)實(shí)時(shí)壓縮

Abstract：【Objective】To solve the problem of real-time compressed sensing tracking algorithm,which is the inadaptability of classifier to the changes of the target appearance and the over update.【Methods】Base on Hamming distance between the Hash fingerprints of current target and original one, classifier is adjusted in real time, which improved the adaptive capacity of the real-time compressed sensing tracking.【Results】As compared with the real-time compressive sensing tracking algorithm, the proposed algorithm improves the success rate by 13%,and average computing frame rate is 37 frames when the target scale is 40 pixel×43 pixel, which satisfies the requirements of real-time tracking.【Conclusion】The proposed algorithm is tested with variant video sequences.The results show that the proposed algorithm is capable of speedily and accurately capturing the tracking target by target gestures, textures, or significant light change.

Key words:compressive sensing，target tracking，Hash fingerprint，Hamming distance,adaptive,real-time compressive

中圖分類(lèi)號(hào)：TP391

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1002-7378(2016)01-0042-07

作者簡(jiǎn)介：梁劍平(1987-)，女，助教，主要從事數(shù)字圖像處理研究。

收稿日期：2015-10-14

網(wǎng)絡(luò)優(yōu)先數(shù)字出版時(shí)間:2016-01-27

網(wǎng)絡(luò)優(yōu)先數(shù)字出版地址:http://www.cnki.net/kcms/detail/45.1075.N.20160127.1616.018.html

*廣西高?？茖W(xué)技術(shù)研究項(xiàng)目(201204LX339和YB2014321)資助。