基于方向向量和稀疏表示的运动目标跟踪方法研究

来源:用户上传      作者:

　　摘要：目前利用稀疏表示对运动目标进行跟踪的方法，通常都只关注于利用不同的目标外观特征对最优化公式进行求解。而运动目标的方向特征则往往被忽略。方向向量能够在某种程度上描述运动目标的运动趋势，这对跟踪运动目标存在一定的意义。本文提出了贝叶斯运动估计框架下的基于方向的跟踪算法，利用方向向量弥补了稀疏表示中候选粒子不足的问题，惩罚部分候选粒子，并通过改进的学习方法对模板进行更新。通过与方向向量对应的像素点，我们补偿初始化粒子，并设置权值以增加对应粒子的概率、降低其他粒子被选为最佳粒子的可能性。所提方法充分考虑了目标的运动特征并避免了漂移现象的产生。
　　关键词：稀疏表示;视觉跟踪;方向向量;光流;漂移现象
　　中图分类号：TP18        文獻标识码：A
　　文章编号：1009-3044（2019）18-0215-02
　　Abstract： Currently using sparse representation for the moving target tracking method， usually only focus on the use of different target appearance characteristics for solving optimal formula. While the direction of the moving target features tend to be ignored. Direction vector to describe the movement trend of moving target， to a certain extent it for tracking moving objects has certain significance. Under the framework of Bayesian motion estimation is proposed in this paper，the tracking algorithm based on direction， using the direction vector to make up for a sparse representation of the problem of insufficient candidate particle， punish some candidate particle， and through the improvement to learning method to update the template. With direction vector corresponding probability of particles， reduce the possibility of other particles was chosen as the best particle. Proposed method fully considering the motion characteristics of the target and avoid the phenomenon of drift.
　　Key words：sparse representation; visual tracking; the direction vector;optical flow;the phenomenon of drift
　　视觉跟踪是机器视觉领域重要应用之一，例如空间视觉监控、汽车协助、视觉导航以及人机交互等[1，2]。给定一个视频序列中运动目标的初始状态，例如位置和大小，跟踪的目标是在连续的序列中有效估计运动目标的状态。尽管目标跟踪已经被研究了几十年，而且在最近几年也有较大的进展，但是仍然有一些具有挑战的问题没有解决。
　　在本文中，提出一种稳定的视觉跟踪算法，将运动目标跟踪问题转化为在模板子空间中查找系数近似值的问题。对于粒子样本，张等人[3]利用Low-Rank来研究稳定跟踪中粒子的关系，而本文从一个不同的角度提出利用方向向量来提高跟踪的性能。受到Lucas-Kanade算法理论的启发[4]，我们通过金字塔稀疏光流计算方向向量，并利用计算出来的方向向量对应的像素点，补偿初始化粒子，这样不仅能够考虑运动目标的原始数据，而且通过运动过程中的位移，充分考虑了运动目标的外观特征和运动特征。视觉跟踪方法通常被分为生成方法和模板方法两类，本文所提方法主要是基于模板的方法。稀疏表示中的琐碎模板被用来抑制环境中发生的遮挡问题[4]，它已经被证明当遮挡存在时具有一定的可行性[5]，只在每一列设置一个非零项。我们提出的方法中，利用了这一方法，同时将其应用在模板更新的过程中，与改进的学习策略共同完成模板更新过程。改进的学习方法主要基于源模板的思想，它主要是通过求解递增的奇异值分解问题（SVD）完成的。这一点不同于以往的运动目标更新方法。在跟踪过程中，我们通过贝叶斯运动估计来选择最终的最优目标，其中我们提出利用与方向向量对应的像素点对观测值进行惩罚以充分利用运动目标的方向趋势。
　　与现有的方法相比，本文的贡献主要有以下两个方面：（1）我们提出利用方向向量补偿初始化粒子，并对其他不与方向粒子对应的观测值进行惩罚，以提高跟踪的准确性;（2）基于所提出的源模板的思想，通过学习已有跟踪结果对模板进行更新，排除了噪声及其他干扰对模板更新造成的模板退化现象。本文的结构安排如下：第二部分总结了相关的研究工作，第三部分简单回顾了稀疏表示方法。最后，在第四部分对全文做出了总结。
　　1 相关工作
　　很多当前的视觉跟踪方法通过分析目标物体的外观进行跟踪，例如亮度，颜色和纹理等。事实上，运动信息对视频序列中的运动目标跟踪具有重要的意义。Sundberg等人[5]证明了将低维运动与光流结合起来对跟踪过程中出现的遮挡具有很好地避免效果。其中，光流估计最初是基于完全可见的假设，对朗伯特传感器表面进行的公式化[4]，同时也是机器视觉领域里首先被研究的问题之一。随后，Santner等人[11]提出将稠密光流与men shift方法结合起来完成跟踪任务。尽管作者利用了速率较快的mean shift用于跟踪，但是稠密光流苏案发仍然迫使整个算法很慢。为了达到在线跟踪的目的，Spruye等热[7]提出利用稀疏光流进行目标跟踪，其中主要在特征检测阶段利用FAST算法来代替原始的角点检测方法，而且达到了提高速率的效果，但是，这种模型只适合于小位移的运动物体，这主要是受到泰勒展开式的限制，而对于比本地图像结构更大的位移信息却不能够准确跟踪。 　　近来，稀疏表示方法通过与现有的跟踪方法结合，在视觉跟踪领域得到了较好的效果[4]，例如与粒子滤波结合的跟踪方法[6]或者贝叶斯运动估计相结合的跟踪方法。Wright等人[4]利用稀疏表示来识别人脸，并成功跟踪了人脸的运动变化。接着，Mei等人利用I1最小化对该方法进行改进，并将其应用到视觉跟踪中。大量的方法证明了稀疏表示在视觉跟踪领域的有效性和准确性。为了提高跟踪算法在不同挑战中的鲁棒性，Bao等人[8]则提出了一种L1最小化方法与锦缎加速梯度相结合的跟踪方法，但是，这种方法仍然对光照变化比较敏感。
　　2 两种表示方法
　　2.1 稀疏表示方法
　　现有的稀疏表示方法在实现时，一般采用独立同分布采样策略。首先，根据零均值高斯分布，以上一帧运动目标的状态为中心进行随机采样，得到初始化粒子，[X=[x1，x2，…，xn]]。X中的每一列服从[Rd]。对于一个序列的第一帧，目标状态通过手动标出。初始模板集合为[T=[t1，t2，…，tm]∈Rd×m（d>>m）]，包含了n个目标模板，其中[ti∈Rd]，每一个模板图像列即为一个一维的向量。观测值可以表示为：
　　2.2  Lucas-Kanade方法
　　3 总结
　　本文提出了一种基于方向向量和稀疏表示的运动目标跟踪算法。所提方法明确的讨论了方向向量的影响，并利用它改进了稀疏表示方法，在贝叶斯运动估计框架下完成了目标跟踪。通过补偿和惩罚不同的候选粒子，所提算法降低了稀疏构建的误差，同时提高了方向向量对应的观测粒子被选为跟踪结果的可能性。模板更新策略提高了跟踪方法的性能，避免了模板退化的现象。在后续的工作中，我们将扩展所提算法，以解决其他的视觉问题，并考虑更多的特征以描述运动目标。
　　参考文献：
　　[1] Wu Y， Lim J， Yang M H.Online object tracking： A benchmark’. Proc. Conf. Comput. Vision Pattern Recogn.， Portland， USA， 2013：2411-2418.
　　[2] Li X， Hu W， Shen C， et al.A survey of appearance models in visual object tracking. ACM Trans. Intell. Syst. Tec.， 2013，4，（4）：1-38.
　　[3] [Smeulders A W M，Chu D M，Cucchiara R，et al. Visual tracking： an experimental survey[J].IEEE Transac-tions on Pattern Analysis and Machine Intelligence，2014，36（7） ： 1442-1468.
　　[4] Wright J， Yang A Y， Ganesh A， et al.Robust face recognition via sparse representation.IEEE Trans. Pattern Anal. Mach. Intell，2009，31（2）：210-227.
　　[5] Sundberg P， Brox T， Maire M，et al. Occlusion boundary detection and figure/ground assignment from optical flow. Proc. Conf. Comput. Vision Pattern Recogn.. Colorado， Springs， USA， 2011：2233-2240.
　　[6] Wang Y， Wang X， Wan W.Object tracking with sparse representation and annealed particle filter. Pro. Inter. Conf. Image and Graphics， Qingdao， China， Jul.2013：374-379.
　　[7] Zhang D， Yang M， Feng X.Sparse representation or collaborative representation： Which helps face recognition？. Proc. Int. Conf. Comp. Vision， Barcelona， Spain， Nov. 2011：471-478.
　　[8] Bao C， Wu Y， Ling H， et al.Real time robust l1 tracker using accelerated proximal gradient approach. Proc. Conf. Comput. Vision Pattern Recogn.， Providence， Rhode Island， Jun. 2012：1830-1837.
　　【通聯编辑：唐一东】
转载注明来源:https://www.xzbu.com/8/view-14949933.htm