引入前景檢測的TLD改進算法

焦蓬斐　秦品樂

摘 要：針對TLD（tracking-learning-detection）跟蹤算法在檢測模塊中需要使用滑動窗口的方式檢測大量的子窗口圖像，其運算復雜度較高，本文在原始TLD算法的檢測模塊之前引入了前景檢測，減少了后續(xù)檢測的窗口樣本。改進算法在時間復雜度上有所降低并通過實驗驗證了改進算法的可行性。

關鍵詞：目標跟蹤；TLD；前景檢測

DOI：10.16640/j.cnki.37-1222/t.2016.09.191

1 引言

運動目標檢測與跟蹤是機器視覺研究領域的重要研究內容之一。將運動目標從圖像中識別出來，對于人類而言是非常簡單的。但是對于計算機來說卻存在著很多難題。運動目標的檢測與跟蹤主要利用圖像處理等相關技術對視頻序列圖像處理、分析和理解。它已經在遙感遙測、工業(yè)安防、航天航空、智能機器人、社會安防等領域發(fā)揮著重要作用。研究此問題具有非常重要的應用價值。

目標跟蹤作為計算機視覺領域的核心內容，是視頻監(jiān)控、人機交互等應用的重要組成部分。目標跟蹤算法通常由特征提取、模型更新、運動模型、觀測模型等模塊組成。Kalal等人[1]提出了TLD目標跟蹤算法，并得到了廣泛的關注。TLD算法由跟蹤（Tracking）、檢測（Detection）、融合（Fusion）、學習（Learning）四部分組成。

2 TLD算法簡介

TLD中各個模塊的描述如下：

（1）跟蹤模塊：跟蹤點的布局采用了在目標圖像框內均勻撒點的策略，跟蹤方法使用的是Lucas-Kanade光流法，為了篩選出可靠的跟蹤點，算法采用了前向-后向誤差（forward-backward error）法，即進行兩次光流法，再結合圖像的相關相似度判定條件來確定穩(wěn)定的跟蹤點，從而估計目標的位置和大小。

（2）檢測模塊：跟蹤模塊作為一個短時跟蹤器假設目標在整個圖像序列中可見，若目標在圖像序列中消失后又重現(xiàn)或發(fā)生嚴重形變將導致跟蹤失敗，因此需要檢測模塊彌補跟蹤模塊的不足?；诨瑒哟翱诘臋z測模塊采用級聯(lián)架構分類器（方差分類器、集成分類器、最近鄰分類器）。檢測模塊可能檢測出多個結果，最后將檢測結果與跟蹤結果融合，確定當前幀的最優(yōu)輸出結果。

（3）融合模塊：融合模塊接收跟蹤模塊和檢測模塊的結果，在確定目標最終的跟蹤位置時，優(yōu)先考慮跟蹤模塊所得到的結果，即如果跟蹤模塊的輸出結果與目標圖像的相似度大于閾值，將該位置作為當前幀的跟蹤結果。否則，從檢測模塊的結果中篩選出與目標相似度最大的圖像作為跟蹤結果，同時更新跟蹤模塊的目標模板。

（4）學習模塊：TLD算法的學習過程是建立在在線模型（online model）的基礎上[2]。在線模型是一個動態(tài)模型，它維護著一個大小為15×15的圖像塊的集合。這些圖像塊來自跟蹤模塊和檢測模塊所得到的結果。圖像塊的數(shù)量隨著視頻序列增長或減小，分別由增長事件和修剪事件驅動。

3 TLD改進算法

TLD原始算法的檢測模塊中，需要使用滑動窗口的方式遍歷圖像中的所有子窗口通過級聯(lián)檢測器，計算量較大。本文提出的改進的算法通過使用前景檢測的方法，獲取運動目標大概所在的位置，在較為小的區(qū)間里檢測子窗口。

改進算法在檢測模塊執(zhí)行前使用前景檢測算法，提取出運動目標的大致位置。改進算法通過如下步驟實現(xiàn)前景目標的提?。?/p>

（1）計算背景圖像與存在目標圖像的絕對差IabdDiff=│Ibg-I│，其中Ibg為背景圖像，I為存在檢測對象的圖像，求得差分圖像IabdDiff。

（2）將差分圖像將閾值化，轉為二值圖像Ibinary，設定閾值為16。

（3）求取二值圖像中白色像素的連通區(qū)域，我們應用了一種標記算法，該算法只遍歷圖像一次，將圖像中連通區(qū)域標識出。

（4）第三步會求得一個或多個連通區(qū)域，設定閾值為10*10，若連通區(qū)域的面積小于100個像素或區(qū)域的長、寬小于10，則將該連通區(qū)域排除，剩余的區(qū)域則認為是包含目標的前景候選區(qū)域，將這些區(qū)域的鄰域窗口送入檢測模塊，執(zhí)行后續(xù)的級聯(lián)檢測。

4 實驗驗證

改進實驗適用于攝像機固定的應用場景，需要在跟蹤之前獲取背景圖像。實驗采用的測試集包括 liquor， lemming， box。對測試集的描述參見文獻[3]，通過統(tǒng)計兩個測試集上跟蹤速度（幀率：幀/秒）比較改進算法（TLD_FG）與原始TLD算法的性能。由表1可見，改進算法在跟蹤速度上有所提高。

5 結束語

文章通過分析TLD跟蹤算法在檢測模塊中的算法復雜性，提出了引入運動目標前景檢測的TLD改進算法，減小了原始TLD算法在檢測模塊中的計算量，通過實驗驗證了改進算法有效性與實時性。

參考文獻：

[1]Z Kalal，J Matas，K Mikolajczyk.Tracking-Learning-Detection[J]，IEEE Transactions on Pattern Analysis and Machine Intelligence，2012，34（07）：1409-1422.

[2]Georg Nebehay， Roman Pflug felder. Consensus-based Matching and Tracking of Keypoints for Object Tracking[C]. Applications of Computer Vision （WACV），2014 IEEE Winter Conference on，2014：862-869.

作者簡介：焦蓬斐（1991-），男，山西忻州人，碩士在讀，研究方向：計算機視覺及圖像處理。