張麗娟 李澤仁

摘 要 簡要介紹了視頻追蹤的簡單知識(shí)，系統(tǒng)全面的介紹了視頻追蹤的幾種算法，包括基于自適應(yīng)顏色屬性的追蹤算法、基于壓縮感知理論的追蹤算法、基于概率連續(xù)異常值的追蹤算法。

關(guān)鍵詞 視頻追蹤；顏色屬性；壓縮感知；概率連續(xù)異常值

中圖分類號(hào) G2 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 2096-0360（2015）01-0037-02

視頻追蹤是近年來新興的一個(gè)研究方向，它融合了計(jì)算機(jī)視覺，模式識(shí)別等學(xué)科技術(shù)，在安全監(jiān)控，視頻壓縮與檢索等方面有廣闊應(yīng)用前景。系統(tǒng)以圖像序列輸入，輸出則是圖像中目標(biāo)的各種屬性，如大小，位置等。其目的是為了判斷圖像序列中目標(biāo)的位置。影響視頻追蹤的原因有多個(gè)，如光照不變、部分遮擋、變形等。追蹤算法通常分為生成式算法和判別式算法。

1 基于自適應(yīng)顏色屬性的追蹤算法

1.1 追蹤器

追蹤器是從單一圖像片段中學(xué)習(xí)一種核心的最小二乘目標(biāo)分類器，該追蹤器具有顯著速度的關(guān)鍵是這種追蹤器研究出的循環(huán)結(jié)構(gòu)似乎能夠從局部圖像片段中進(jìn)行周期性假設(shè)，這里我們簡要介紹一下該算法。

這種分類器使用一種單一的灰度圖像片段進(jìn)行訓(xùn)練，圖像片段的大小是的，且分布在目標(biāo)對(duì)象的中心。這種追蹤器考慮所有的循環(huán)變化，，并將其作為分類器的訓(xùn)練樣本。這些樣本以一種高斯函數(shù)來進(jìn)行標(biāo)記，以便用來標(biāo)記。這種分類器通過成本函數(shù)最小化（1）進(jìn)行訓(xùn)練，如下式所示。

（1）

這里是通過核函數(shù)誘導(dǎo)得到的希爾伯特空間的映射，內(nèi)積定義為，常數(shù)是一個(gè)正則化參數(shù)。成本函數(shù)（1）是由最小得到的，這里的系數(shù)定義

如下：

（2）

這里是離散傅里葉變換。我們定義離散傅里葉變換：，這里是由核函數(shù)輸出得到的。等式（2）中若是平移不變的，也就是對(duì)于所有的，都有。

在新的一幀中，檢測步驟是通過對(duì)大小為的灰色圖像片段進(jìn)行第一次裁剪而執(zhí)行的。檢測的分?jǐn)?shù)是由計(jì)算得到的，這里的是樣本片段的傅里葉變換核輸出。這里表示目標(biāo)外觀的灰度圖像片段，并且是由多種幀獲得的。在新的一幀，目標(biāo)位置是通過尋找合適的變換以找到的最大分?jǐn)?shù)來估計(jì)的。這里的核輸出和能夠通過使用快速傅里葉變換有效地計(jì)算出來。

1.2 算法思想

最先進(jìn)的視覺追蹤器依靠亮度信息或使用簡單的顏色表示來對(duì)圖像進(jìn)行描述。與視覺追蹤相反的是，對(duì)象識(shí)別和檢測、復(fù)雜的顏色特性結(jié)合亮度顯示時(shí)能夠提供較好的性能。由于追蹤的復(fù)雜性，應(yīng)該高效的計(jì)算所需的顏色特性，擁有一定數(shù)量的光度不變性，同時(shí)保持高辨別力?；诖?，本節(jié)提出了該算法，該算法是在追蹤器的基礎(chǔ)上獲得的新算法，由于追蹤器對(duì)于多通道信號(hào)的處理結(jié)果是次優(yōu)的，從而為了解決這個(gè)問題，本文自適應(yīng)的更新樣本，采用多通道追蹤器進(jìn)行訓(xùn)練。高維物體的顏色屬性能夠?qū)е掠?jì)算量的增加，因此限制了該算法的應(yīng)用。

2 基于壓縮感知理論的追蹤算法

2.1 壓縮感知理論

2.1.1 隨機(jī)投影

設(shè)置一個(gè)隨機(jī)矩陣，該矩陣的行是從高維圖像空間到低維空間的單位長度的投影數(shù)據(jù)，符號(hào)表示為

（3）

隨機(jī)矩陣中n<

2.1.2 隨機(jī)測量矩陣

滿足限制等距特性的一種典型的測量矩陣是隨機(jī)高斯矩陣，下面的，當(dāng)這個(gè)矩陣是稠密的，并且是很大的情況下，該矩陣的存儲(chǔ)和計(jì)算量仍然是很大的。在本小節(jié)中，使用了一個(gè)非常稀疏隨機(jī)測量矩陣，其定義如下：

（4）

Achlioptas[2]證明了這種類型的矩陣在時(shí)滿足Johnson-Lindenstranss引理。這種矩陣只需要一種統(tǒng)一的隨機(jī)生成器，便很容易的計(jì)算出來。更重要的是，當(dāng)時(shí)，這種矩陣是非常稀疏的，因?yàn)檫@時(shí)可以避免計(jì)算量的2/3。另外，

Liet al.[3]指出，這種矩陣是近似正態(tài)分布的。在本小節(jié)中，我們?cè)O(shè)置，從而得到一個(gè)非常稀疏的隨機(jī)矩陣。

2.2 算法思想

在壓縮領(lǐng)域，本文介紹了一個(gè)有效的基于多尺度特征空間的特征提取的方法來構(gòu)造外觀模型，同時(shí)將正負(fù)樣本通過尺度變換，對(duì)樣本量進(jìn)行擴(kuò)充；再對(duì)擴(kuò)充的樣本進(jìn)行壓縮，然后將這個(gè)多尺度的樣本空間的樣本通過稀疏矩陣投影到低維空間中。構(gòu)造的外觀模型用來生成基于特征提取的目標(biāo)，它也是判別式的。

3 基于概率連續(xù)異常值的追蹤算法

3.1 基于概率連續(xù)異常值的追蹤框架

視頻追蹤被看作一種隱馬爾可夫模型的貝葉斯推理任務(wù)。給定一系列觀測樣本，

直到第幀的位置，其目的是遞歸地估計(jì)隱藏的狀態(tài)變量，，這里代表兩種連續(xù)狀態(tài)間的運(yùn)動(dòng)模型，表示觀測模型，該觀測模型能夠估測屬于目標(biāo)類型的觀測圖像片段的可能性。類似于增量視覺追蹤方法

[4]，我們使用仿射變換的6個(gè)參數(shù)來表示運(yùn)動(dòng)模型。狀態(tài)變換通過無規(guī)則運(yùn)動(dòng)表述，也就是說，，這里是一個(gè)對(duì)角協(xié)方差矩陣。

3.1.1 觀測模型

假設(shè)兩個(gè)連續(xù)幀之間指標(biāo)向量變化非常小，我們建立一個(gè)基于自由異常值最小二乘法的似然函數(shù)。對(duì)于每一個(gè)對(duì)應(yīng)于預(yù)測狀態(tài)的觀測圖像矢量來說，我們通過最小二乘算法來解決下面的方程式，方程式如下

（5）

這里表示狀態(tài)下第位置樣本，是幀指標(biāo)，代表按元素排列的乘法算子。是第幀位置上基于概率連續(xù)異常值算法得到的指標(biāo)向量。在最理想的得到之后，觀測的可能性可以通過下式測量得到

（6）

這里在本文中被設(shè)為0.1。

3.1.2 在線更新

在該算法中，指標(biāo)向量的零元件能夠識(shí)別異常值，獲得每一幀最佳狀態(tài)后，提取相應(yīng)的觀測向量，推斷指標(biāo)向量。然后，通過取代平均向量的相應(yīng)部分異常值來恢復(fù)觀測向量

（7）

這里表示恢復(fù)樣本，代表按元素排列的乘法算子。這個(gè)恢復(fù)樣本能夠累積，還可被用來更新通過增量主成分分析方法獲得所需的追蹤器。此外，推斷出的指標(biāo)向量已儲(chǔ)存，然后用于下一幀。

3.2 算法思想

本小節(jié)采用一種新穎的概率連續(xù)異常值方法來描述出現(xiàn)在線性表示模型中的連續(xù)異常值。在該算法中，噪聲觀測模型要么可以用小高斯噪聲的主成分分析子空間來表示，或者可以被看作在一個(gè)統(tǒng)一值之前的一個(gè)任意值，在這個(gè)噪聲觀測模型里，空間之前的一致性充分利用的是一種二元馬爾可夫隨機(jī)領(lǐng)域模型。然而，本文中能夠推導(dǎo)出概率連續(xù)異常值模型的目標(biāo)函數(shù)，其解決方案是能夠通過自由異常值的最小二乘法和標(biāo)準(zhǔn)最大流、最小裁剪方法反復(fù)迭代獲得。最后，本文設(shè)計(jì)一個(gè)有效的觀測似然函數(shù)和一種視頻追蹤的樣本更新方法。無論從定量分析還是定性分析，該算法都能顯示比其他算法在精確度和速度方面的優(yōu)越性。

4 小結(jié)

本文重點(diǎn)介紹了基于自適應(yīng)顏色屬性的追蹤算法、基于壓縮感知理論的追蹤算法和基于概率連續(xù)異常值的追蹤算法。由于影響視頻追蹤的原因復(fù)雜性，應(yīng)該根據(jù)不同的原因選擇不同的算法。在系統(tǒng)設(shè)計(jì)中，應(yīng)該根據(jù)具體的精度要求，計(jì)算復(fù)雜度要求和實(shí)時(shí)性要求等采用不同的追蹤算法。多種算法的聯(lián)合使用可以有效地克服單一算法的局限性，因此應(yīng)該著重于該方向的研究工作，使追蹤算法更具有精確度、實(shí)時(shí)性和魯棒性。

參考文獻(xiàn)

[1]范春宇.視頻跟蹤技術(shù)研究[D].西安電子科技大學(xué)，2007.

[2]Achlioptas， D.： Database-friendly random projections： Johnson-Lindenstrauss with binary coins. J. Comput. Syst. Sci 66（2003）671-687.

[3]Li， P.， Hastie， T.， Church， K.： Very sparse random projections. In KDD（2006）287-296.

[4]D. Ross， J. Lim， R.-S. Lin and M.-H. Yang. Incremental learning for robust visual tracking. International Journal of Computer Vision，77（1-3）：125-141.