吳曉雨，吳凌琳，楊 磊

（中國(guó)傳媒大學(xué)信息工程學(xué)院，北京100024）

基于壓縮感知的粒子濾波跟蹤算法

吳曉雨，吳凌琳，楊 磊

（中國(guó)傳媒大學(xué)信息工程學(xué)院，北京100024）

針對(duì)運(yùn)動(dòng)目標(biāo)跟蹤存在的目標(biāo)遮擋和光照變化問(wèn)題，提出一種基于壓縮感知的粒子濾波跟蹤算法。將改進(jìn)的壓縮感知跟蹤算法提取的特征融合到粒子濾波跟蹤框架中，并對(duì)壓縮感知提取的特征和原始粒子濾波中的顏色特征進(jìn)行可信度判定，能夠較好地處理圖像序列中由于目標(biāo)遮擋和光照變化所帶來(lái)的影響。此算法在公開(kāi)數(shù)據(jù)庫(kù)中進(jìn)行測(cè)試，實(shí)驗(yàn)結(jié)果表明，提出的算法與已有改進(jìn)壓縮感知跟蹤算法和粒子濾波跟蹤算法相比，魯棒性更好，能準(zhǔn)確實(shí)時(shí)地對(duì)目標(biāo)進(jìn)行跟蹤。

運(yùn)動(dòng)目標(biāo)跟蹤；粒子濾波；壓縮感知；可信度判定

0 引 言

運(yùn)動(dòng)目標(biāo)跟蹤作為機(jī)器視覺(jué)研究領(lǐng)域中的一個(gè)研究熱點(diǎn)，已經(jīng)被廣泛應(yīng)用到智能人機(jī)交互、交通安全監(jiān)控、醫(yī)療成像、軍事指導(dǎo)、天文探測(cè)、電視制作等領(lǐng)域。作為一個(gè)研究熱點(diǎn)，運(yùn)動(dòng)目標(biāo)跟蹤針對(duì)不同的環(huán)境場(chǎng)景存在不同的問(wèn)題，如目標(biāo)旋轉(zhuǎn)、大小改變、光照變化、目標(biāo)遮擋等，這些問(wèn)題都給目標(biāo)跟蹤帶來(lái)不同方面的難題。

近年來(lái)，針對(duì)這些問(wèn)題，學(xué)者們提出了不同的跟蹤算法。文獻(xiàn)［1］提取了目標(biāo)區(qū)域的SIFT特征并結(jié)合meanshift的跟蹤算法，較好地解決了跟蹤目標(biāo)的尺度及旋轉(zhuǎn)變化的問(wèn)題。文獻(xiàn)［2］提出的局部無(wú)序跟蹤（locally orderless tracking，LOT）算法，對(duì)于運(yùn)動(dòng)目標(biāo)大小變化，都能有效地跟蹤。但文獻(xiàn)［1- 2］對(duì)于光照變化和有遮擋的運(yùn)動(dòng)跟蹤魯棒性有待提高。文獻(xiàn)［3- 5］基于粒子濾波框架實(shí)現(xiàn)對(duì)目標(biāo)的跟蹤，粒子重采樣策略較好應(yīng)對(duì)了目標(biāo)被遮擋問(wèn)題，但在目標(biāo)環(huán)境的光照發(fā)生變化時(shí)，粒子濾波的魯棒性很差。文獻(xiàn)［7］基于文獻(xiàn)［6］的壓縮感知跟蹤（compressive tracking，CT）算法提出了改進(jìn)的算法，在原始的特征提取矩陣的基礎(chǔ)上，生成一個(gè)提取灰度的特征提取矩陣，該算法能在目標(biāo)形態(tài)和光照發(fā)生劇變等情況下準(zhǔn)確實(shí)時(shí)地跟蹤目標(biāo)。但當(dāng)目標(biāo)被遮擋時(shí)，改進(jìn)的CT算法則由于正負(fù)樣本不斷更新，正樣本被遮擋物取代，導(dǎo)致遮擋后無(wú)法跟上。

視頻序列中，經(jīng)常會(huì)同時(shí)出現(xiàn)目標(biāo)遮擋和光照變化的情況，而上述算法都不能對(duì)其進(jìn)行有效的跟蹤。針對(duì)上述存在的跟蹤問(wèn)題，本文首先剖析了粒子濾波跟蹤和壓縮感知跟蹤算法的優(yōu)缺點(diǎn)，而后提出了一種基于壓縮感知的粒子濾波跟蹤算法，即在粒子濾波框架下結(jié)合改進(jìn)的CT算法中的壓縮感知提取特征。在公開(kāi)測(cè)試庫(kù)上的實(shí)驗(yàn)結(jié)果表明，提出的跟蹤算法同時(shí)解決光照變化和目標(biāo)遮擋時(shí)跟蹤失敗的問(wèn)題，在復(fù)雜場(chǎng)景下具有較好的跟蹤效果。

1 相關(guān)算法介紹

1.1 粒子濾波跟蹤算法

式中，δ（·）為狄克拉函數(shù)；N為粒子總數(shù)；k為序列幀數(shù)；i為粒子標(biāo)志。

總體來(lái)說(shuō)，粒子濾波跟蹤［810］主要步驟總結(jié)如下：首先隨機(jī)采樣一個(gè)粒子集并提取粒子特征；其次通過(guò)特征計(jì)算粒子權(quán)重來(lái)表示后驗(yàn)密度函數(shù)，找到最相似粒子作為跟蹤目標(biāo)；最后對(duì)粒子進(jìn)行重采樣。

1.2 壓縮感知跟蹤算法

文獻(xiàn)［6］提出了基于壓縮感知的跟蹤算法，利用圖像的稀疏性和壓縮感知［1113］算法生成了一個(gè)稀疏的隨機(jī)測(cè)量矩陣，然后圖像原始特征通過(guò)向此隨機(jī)測(cè)量矩陣投影，去除了大量的冗余信息，并得到壓縮的低維特征。對(duì)這些低維特征采用樸素貝葉斯分類(lèi)學(xué)習(xí)的跟蹤算法框架進(jìn)行目標(biāo)分類(lèi)跟蹤。上述壓縮感知提取特征的公式為

式中，X∈Rm×1為目標(biāo)候選區(qū)域轉(zhuǎn)換成1維后的信號(hào)；R∈Rn×m（n?m）為特征提取矩陣；V∈Rn×1為特征。而式（2）中不同的R會(huì)提取出不同的特征。文獻(xiàn)［6］對(duì)R定義如下：

式中，s通過(guò)平均概率在2～4中隨機(jī)選取，文獻(xiàn)［7］指出實(shí)際特征提取為

2 基于壓縮感知的粒子濾波算法

由于粒子濾波跟蹤算法中粒子隨機(jī)采樣和重采樣的核心思想，使得該算法對(duì)于目標(biāo)有遮擋的運(yùn)動(dòng)有很好的跟蹤效果；但粒子濾波跟蹤算法中僅用到顏色特征，對(duì)于光照的變化魯棒性很差。而CT算法可以快速提取到低維且有效的灰度和紋理特征，有效解決粒子濾波存在的問(wèn)題，然而由于對(duì)正樣本的不斷更新，導(dǎo)致在目標(biāo)遮擋后正樣本偏離原始目標(biāo)而使跟蹤丟失。因此，本文提出將CT算法中的壓縮感知提取特征融合到粒子濾波框架中，能夠同時(shí)解決視頻跟蹤過(guò)程中遮擋和光照變化的問(wèn)題。本文算法流程圖如圖1所示，首先在目標(biāo)區(qū)域周?chē)蓸觾山M粒子集，利用直方圖和壓縮感知分別提取顏色特征和灰度紋理特征；其次通過(guò)直方圖距離和貝葉斯分類(lèi)分別計(jì)算兩組粒子的權(quán)重；再以一定的決策方法對(duì)兩組粒子的跟蹤結(jié)果進(jìn)行可信度判定來(lái)確定當(dāng)前的跟蹤結(jié)果；最后進(jìn)行重采樣來(lái)防止粒子退化。

圖1 本文算法流程圖

2.1 粒子濾波框架下的特征提取

第一組粒子P1利用直方圖來(lái)提取粒子特征，顏色直方圖在目標(biāo)遮擋前后變化不大，并且在目標(biāo)區(qū)域周?chē)x用了高斯分布隨機(jī)采樣，讓采樣粒子盡可能覆蓋目標(biāo)的各種狀態(tài)。另外利用重采樣降低粒子退化現(xiàn)象，保持粒子的有效性和多樣性。因此，粒子濾波能夠有效地解決目標(biāo)遮擋問(wèn)題。但對(duì)于跟蹤過(guò)程中的光照變化，顏色直方圖魯棒性很差。

為了減少光照的影響，需要加入圖像灰度和紋理等特征，而這些特征的提取比較又會(huì)大大增加算法的計(jì)算量。而壓縮感知中心思想是采樣和壓縮共同進(jìn)行，得到的壓縮樣本數(shù)據(jù)量遠(yuǎn)遠(yuǎn)小于傳統(tǒng)采樣所得的數(shù)據(jù)量。因此，第二組粒子P2采用壓縮感知來(lái)提取圖像灰度和紋理特征。

文獻(xiàn)［7］指出特征提取矩陣（見(jiàn)式3）每行中1和－1同時(shí)存在的概率為0.71，提取的特征更多地表現(xiàn)為圖像的紋理特征，紋理特征在目標(biāo)形態(tài)和光照發(fā)生劇變等情況下并不穩(wěn)定。為了增強(qiáng)跟蹤的穩(wěn)定性，文獻(xiàn)［7］中利用式（3）生成R1，而后根據(jù)R1生成新的特征提取矩陣R2，從而利用R1和R2提取具有互補(bǔ)的紋理特征和灰度兩種特征。新的特征提取矩陣生成公式如下：式中，i表示特征提取矩陣R1和R2的第i行；k表示R1中第i行中第k個(gè)非零值。因此本文參考文獻(xiàn)［7］，將兩個(gè)特征矩陣融入到粒子濾波跟蹤框架中，對(duì)采樣的粒子集P2提取紋理特征和灰度均值特征。

2.2 粒子權(quán)重

2.2.1 提取顏色特征的粒子權(quán)重計(jì)算

本文通過(guò)計(jì)算兩組粒子的權(quán)重來(lái)表示兩個(gè)后驗(yàn)密度函數(shù)。其中針對(duì)粒子集P1，本文采用經(jīng)典的巴特沃斯距離來(lái)表示粒子與目標(biāo)模板之間顏色直方圖的相似度（存放的是粒子的顏色直方圖），希望找到與目標(biāo)顏色分布最接近的粒子。因此，巴特沃斯距離越大相似度越高，而粒子的權(quán)重也就越大。

2.2.2 提取灰度和紋理特征的粒子權(quán)重計(jì)算

針對(duì)粒子集P2，本文通過(guò)樸素貝葉斯分類(lèi)器對(duì)壓縮感知提取的特征進(jìn)行相似性判別，尋找與標(biāo)準(zhǔn)目標(biāo)最相似的粒子。對(duì)每個(gè)樣本X∈Rm×1，它的低維表示是V∈Rn×1（n?m），假定V中的各元素是獨(dú)立分布的，構(gòu)建樸素貝葉斯分類(lèi)器為

其中，假設(shè)兩個(gè)類(lèi)的先驗(yàn)概率相等p（y＝1）＝p（y＝0），y∈｛0，1｝代表二值樣本標(biāo)簽，y＝0表示負(fù)樣本，y＝1表示正樣本。文獻(xiàn)［14］指出高維向量隨機(jī)投影向量幾乎滿(mǎn)足高斯分布。所以，分類(lèi)器H（V）中的條件概率p（vi｜y＝1）和p（vi｜y＝0）被假定屬于高斯分布，那么

H（V）為后驗(yàn)概率，其值越大則與標(biāo)準(zhǔn)目標(biāo)特征區(qū)域越相似，因此第二組粒子以H（V）值作為粒子權(quán)重。選取H（V）值最大的粒子作為新一幀的目標(biāo)區(qū)域，并對(duì)相關(guān)系數(shù)和進(jìn)行更新

式中，l＝1代表目標(biāo)樣本，l＝0對(duì)應(yīng)背景樣本；r＝1時(shí)利用R1求取特征，r＝2時(shí)利用R2計(jì)算特征；λ對(duì)應(yīng)著更新率，其值越大更新越慢，保留之前特征越多。

2.3 粒子跟蹤結(jié)果決策

以?xún)山M粒子中權(quán)重最大粒子位置作為最相似粒子位置，P1和P2的最相似粒子位置分別為pk和ck，可以確定目標(biāo)的最優(yōu)估計(jì)位置：lk＝αpk＋（1－α）ck。這里α是融合的權(quán)重。由于兩組粒子的特征都不能同時(shí)解決目標(biāo)遮擋和光照變化的情況，因此需要有個(gè)判斷條件來(lái)調(diào)整粒子融合權(quán)值α。

對(duì)于粒子集P1采用顏色直方圖特征，粒子集越聚合，估計(jì)的目標(biāo)位置方差就會(huì)越小，故基于顏色直方圖特征估計(jì)的目標(biāo)位置被賦予高的可信度。當(dāng)在畫(huà)面出現(xiàn)光照變化時(shí)，粒子空間位置會(huì)從原來(lái)較為集中變得相對(duì)分散，其位置方差隨之變大，因此當(dāng)方差大于某一閾值T1時(shí)，可判定為粒子濾波不可信（本文取T1＝45），則α＝0。

對(duì)于粒子集P2采用壓縮感知提取特征，當(dāng)目標(biāo)被遮擋時(shí)，采樣的圖像片與負(fù)樣本更為相似，因此H（V）將突然變小，即小于某一閾值T2（本文取T2＝2），以此來(lái)判斷壓縮感知提取的特征是否可信，則α＝1。

當(dāng)?shù)谝唤M粒子空間位置方差D和第二組壓縮感知概率值H（V）均在設(shè)定的閾值內(nèi)，則代表兩組粒子都可信。對(duì)兩組粒子的結(jié)果進(jìn)行歸一化來(lái)確定α取值。對(duì)于P1粒子，歸一化值為a＝（T1－D）／T1；對(duì)于P2粒子，歸一化值為b＝（H（V）－T2）／T3，T3為設(shè)定的一個(gè)壓縮感知概率中可能存在的最大值，本文取T3＝100，當(dāng)b＞1時(shí)，將b置為1。那么兩組粒子的融合權(quán)重為：α＝a／（a＋b）。

2.4 粒子重采樣

粒子濾波器在歷經(jīng)幾輪迭代后，大多數(shù)粒子權(quán)重都變得很小，即出現(xiàn)粒子退化現(xiàn)象，此時(shí)的粒子集將無(wú)法準(zhǔn)確描述實(shí)際的目標(biāo)后驗(yàn)概率分布。為解決粒子退化問(wèn)題，重采樣方法思想在保證粒子采樣總數(shù)不變的基礎(chǔ)下，通過(guò)復(fù)制權(quán)重較大的粒子，增多了權(quán)值大的粒子數(shù)量，消除了權(quán)值小的粒子，提高了粒子的多樣性。本文對(duì)兩組粒子都采用此重采樣方法來(lái)防止粒子的退化。

2.5 本文算法流程

概括起來(lái)本文算法主要步驟如下：

步驟1初始化跟蹤目標(biāo)。手動(dòng)框選初始化跟蹤區(qū)域，確定跟蹤目標(biāo)。

步驟2采樣粒子。在目標(biāo)區(qū)域周?chē)凑崭咚狗植疾蓸觾山M粒子集P1和P2。

步驟3粒子特征提取。粒子集P1以顏色直方圖提取顏色特征；粒子集P2通過(guò)壓縮感知提取灰度和紋理特征。

步驟4粒子權(quán)重計(jì)算。采用巴特沃斯距離計(jì)算P1粒子與目標(biāo)模板之間顏色直方圖的相似度，以確定第k幀粒子集P1各個(gè)粒子的權(quán)重；以貝葉斯分類(lèi)器計(jì)算P2粒子的權(quán)重，在目標(biāo)位置周?chē)M(jìn)行采樣正負(fù)樣本，用第2.1節(jié)中提到的R1和R2，對(duì)這些樣本進(jìn)行壓縮感知特征提取，得到特征向量V1和V2，使用式（6）對(duì)P2粒子集的特征向量V1和V2進(jìn)行分類(lèi)，以H（V）值大小作為P2粒子的權(quán)重。

步驟5確定跟蹤目標(biāo)。對(duì)粒子集P1的權(quán)重進(jìn)行降序排列，找到最大權(quán)重粒子作為粒子濾波的參考位置pk，并計(jì)算粒子空間位置方差D；找到粒子集P2中最大分類(lèi)值Hmax的粒子作為壓縮感知的參考位置ck。

將兩組粒子的參考位置pk和ck加權(quán)：lk＝αpk＋（1－α）ck。當(dāng)D＞T1時(shí)，α＝0；當(dāng)Hmax＜T2時(shí)，α＝1（本文T1取45，T2取2）；當(dāng)D≤T1且Hmax≥T2時(shí)，將兩組粒子的值分別歸一化為a和b，則α＝a／（a＋b）。

步驟6對(duì)兩組粒子進(jìn)行重采樣，粒子權(quán)重大的位置粒子數(shù)增加，權(quán)重小的位置粒子數(shù)減少。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 算法實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)基于文獻(xiàn)［15］中的測(cè)試庫(kù)（http：∥visualtracking.net），該測(cè)試庫(kù)包含目標(biāo)遮擋、光照變化等多種情況的視頻序列。實(shí)驗(yàn)在Win7系統(tǒng)上利用vs2010結(jié)合OpenCV2.4.5實(shí)現(xiàn)本文算法、粒子濾波算法［5］和改進(jìn)的CT算法［7］3種算法，并在Matlab上對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行分析比較。

針對(duì)目標(biāo)遮擋的情況，本文以序列David3為例進(jìn)行分析。圖2為3種算法對(duì)David3序列中發(fā)生目標(biāo)遮擋的第81幀前后序列圖像的跟蹤效果。由圖2可以看出，因目標(biāo)遮擋，改進(jìn)的CT算法因正樣本更新為目標(biāo)遮擋物導(dǎo)致跟蹤錯(cuò)誤，而粒子濾波算法因保留初始目標(biāo)作為跟蹤模板跟蹤正確，本文提出的的自適應(yīng)算法跟蹤正確。因本文算法將改進(jìn)的CT算法和粒子濾波結(jié)合，根據(jù)第2.3節(jié)提到的算法可信度判定準(zhǔn)則，依據(jù)H（V）的值判定CT算法不可信，及時(shí)將其特征排除，即只利用粒子濾波算法計(jì)算的第一組粒子位置有效地在目標(biāo)遮擋后恢復(fù)跟蹤。

圖2 3種算法對(duì)David3序列的測(cè)試效果

圖3 每幀圖像P2粒子集中最相似粒子的H（V）值

圖3是本文算法中每幀P2粒子集中最相似粒子的H（V）值數(shù)據(jù)統(tǒng)計(jì)圖，在第81幀和第184幀時(shí)，H（V）都出現(xiàn)急劇變小的情況。根據(jù)第2.3節(jié)的算法可信度判定準(zhǔn)則，判定在第81幀和第184幀時(shí)壓縮感知提取的特征不可信，而該序列正是在第81幀和第184幀處出現(xiàn)目標(biāo)被遮擋，因此本文提出的依據(jù)H（V）的判定準(zhǔn)則對(duì)于CT算法不可信時(shí)，能準(zhǔn)確地進(jìn)行判定。

針對(duì)光照變化的情況，本文選取序列Singer2來(lái)進(jìn)行分析，Singer2是歌手在舞臺(tái)表演的視頻，其中多次出現(xiàn)燈光閃爍，即光照變化的情況。本文選取第11幀處的光照變化進(jìn)行分析。圖4是3種算法在視頻序列中出現(xiàn)光照變化的第11幀前后序列圖像的跟蹤效果。

由圖4可以看出，在第11幀處由于光照變化導(dǎo)致標(biāo)準(zhǔn)位置模板與目標(biāo)模板相似度低，導(dǎo)致后續(xù)幀（如第33幀）基于粒子濾波跟蹤失??；而改進(jìn)CT算法由于正樣本的不斷更新，在后續(xù)幀（如第33幀）跟蹤結(jié)果正確。本文算法根據(jù)第2.3節(jié)提到的算法可信度判定準(zhǔn)則，通過(guò)計(jì)算粒子集P1粒子位置方差判定粒子P1失效，自動(dòng)利用粒子集P2壓縮感知的粒子位置估計(jì)準(zhǔn)確地跟蹤到了目標(biāo)。

圖4 3種算法對(duì)Singer2序列的測(cè)試效果

圖5中可以明顯看到，第11幀處，粒子位置方差有突然變大的現(xiàn)象，可見(jiàn)本文采用粒子位置方法作為粒子濾波對(duì)于光照變化不可信的判定準(zhǔn)則是可行的。因此，本文算法能有效利用改進(jìn)的CT算法對(duì)于光照變化的魯棒性，很好地在燈光閃爍等光照變化環(huán)境下對(duì)目標(biāo)進(jìn)行跟蹤。

圖5 每幀圖像粒子空間位置方差

圖2和圖4也說(shuō)明了，本文提出的融入壓縮感知特征的粒子濾波算法能同時(shí)解決目標(biāo)遮擋和光照變化兩個(gè)問(wèn)題，較單一的粒子濾波算法和改進(jìn)CT算法取得了更佳的跟蹤效果。

3.2 算法性能評(píng)估

評(píng)估跟蹤算法的性能，除了視覺(jué)上看到的跟蹤效果，在跟蹤數(shù)據(jù)上也有一定的評(píng)估方法。文獻(xiàn)［15］中提出的對(duì)跟蹤算法性能評(píng)估的方法，能夠從準(zhǔn)確率和成功率兩方面對(duì)算法進(jìn)行客觀(guān)的評(píng)估。

為進(jìn)一步評(píng)估本文提出的算法，利用文獻(xiàn)［15］的測(cè)試評(píng)估方法及給出測(cè)試庫(kù)對(duì)本文算法、改進(jìn)的CT算法和粒子濾波算法進(jìn)行測(cè)試。將錯(cuò)誤閾值設(shè)置為0～50，重疊閾值設(shè)置為0～1。對(duì)于測(cè)試庫(kù)中25個(gè)視頻共16 970幀，3種算法的準(zhǔn)確率和成功率曲線(xiàn)如圖6所示。從圖中可以看出，本文算法在總體上準(zhǔn)確率和成功率都優(yōu)于改進(jìn)的CT算法和粒子濾波算法。在圖6（a）中，當(dāng)錯(cuò)誤閾值大于8時(shí)，本文算法的準(zhǔn)確率就一直高于另外兩種算法。另外，由于本文將兩種算法的跟蹤結(jié)果作平均，所以在較小錯(cuò)誤閾值范圍內(nèi)，準(zhǔn)確率稍微偏低一點(diǎn)。但結(jié)合了兩種算法的核心思想后，本文算法對(duì)于目標(biāo)遮擋和光照變化都有較好的跟蹤效果，因此整體上的準(zhǔn)確率也就相應(yīng)地提高了。同理，在圖6（b）中，本文算法的成功率整體上高于改進(jìn)的CT算法和粒子濾波算法，但當(dāng)重疊閾值大于0.6時(shí)，成功率略有偏低。

圖6 3種算法的性能評(píng)估圖

另外，算法運(yùn)算速度也是評(píng)價(jià)跟蹤算法的標(biāo)準(zhǔn)之一。本文對(duì)David3（640×480），Singer2（624×352），Dudek（720 ×480），Boy（640×480）等4個(gè)不同分辨率的視頻序列進(jìn)行測(cè)試（測(cè)試環(huán)境CPU：Intel Core i3＠2.3GHz，RAM：4GB），計(jì)算出3種算法對(duì)每幀圖像的平均運(yùn)算時(shí)間，如表1所示?？梢钥闯觯尤雺嚎s感知提取的特征后，本文算法運(yùn)算速度仍然滿(mǎn)足跟蹤實(shí)時(shí)性要求。本文算法對(duì)每幀圖像運(yùn)算時(shí)間僅比粒子濾波算法慢2～3 ms，這是由于加入的壓縮感知提取的特征數(shù)據(jù)量極少，整個(gè)算法運(yùn)算速度幾乎不受影響。本文還將CT算法的每幀采樣圖像片用粒子濾波的每幀重采樣替換，運(yùn)算量比CT算法降低很多，因此每幀圖像的運(yùn)算速度比CT算法提高了一倍。

表1 算法運(yùn)行速度比較 ms／fp

4 結(jié) 論

針對(duì)目標(biāo)跟蹤存在目標(biāo)遮擋和環(huán)境光照變化的情況，本文提出將改進(jìn)的CT算法中的壓縮感知特征融合入粒子濾波框架中。由于利用壓縮感知提取灰度和紋理特征，使得在圖像信號(hào)壓縮后數(shù)據(jù)量大大減少的情況下，可以有效地緩解光照變化對(duì)目標(biāo)跟蹤的影響。而粒子濾波中采用了顏色直方圖特征，以及隨機(jī)采樣和重采樣的核心思想，從而能在目標(biāo)有遮擋的情況下，對(duì)其進(jìn)行有效的跟蹤。因此，融入壓縮感知特征的粒子濾波算法在運(yùn)算速度并沒(méi)有降低的情況下，能同時(shí)解決目標(biāo)遮擋和光照變化兩個(gè)問(wèn)題，從而提高了算法的魯棒性。未來(lái)，如何自適應(yīng)地調(diào)節(jié)判定算法可信度的閾值來(lái)使跟蹤算法更為穩(wěn)定是本文的研究重點(diǎn)。

［1］Zhao Q J，Zhang Y，Zhao D B.A scale and rotation adaptive algorithm for object tracking［J］.Journal of Central South University-Science and Technology，2013，44（6）：2354- 2360.（趙欽君，張勇，趙東標(biāo).一種尺度和旋轉(zhuǎn)自適應(yīng)的目標(biāo)跟蹤算法［J］.中南大學(xué)學(xué)報(bào)（自然科學(xué)版），2013，44（6）：2354- 2360.）

［2］Oron S，Bar-Hillel A，Levi D，et al.Locally orderless tracking［C］∥Proc.of the IEEEConference on Computer Vision and Pattern Recognition，2012：1940- 1947.

［3］Nummiaro K，Koller-Meier E，Van Gool L.An adaptive colorbased particle filter［J］.Image and Vision Computing，2003，21（1）：99- 110.

［4］Mei X，Ling H.Robust visual tracking and vehicle classification via sparse representation［J］.IEEE Trans.on Pattern Analysis and Machine Intelligence，2011，33（11）：2259- 2272.

［5］Hess R，F(xiàn)ern A.Discriminatively trained particle filters for complex multi-object tracking［C］∥Proc.of the IEEE Conference on Computer Vision and Pattern Recognition，2009：240- 247.

［6］Zhang K，Zhang L，Yang M H.Real-time compressive tracking［C］∥Proc.of the 12th European Conference on Computer Vision，2012：864 -877.

［7］Zhu Q P，Yan J，Zhang H，et al.Real-time tracking using multiple features based on compressive sensing［J］.Optics and Precision Engineering，2013，21（2）：437- 443.（朱秋平，顏佳，張虎，等.基于壓縮感知的多特征實(shí)時(shí)跟蹤［J］.光學(xué)精密工程，2013，21（2）：437- 443.）

［8］Hu S Q，Jing Z L.Overview of particle filter algorithm［J］.Control and Decision，2005，20（4）：361- 365.（胡士強(qiáng)，敬忠良.粒子濾波算法綜述［J］.控制與決策，2005，20（4）：361- 365.）

［9］Sanjeev A M，Maskell S，Gordon N，et al.A tutorial on particle filters for online nonlinear／non-Gaussian Bayesian tracking［J］.IEEE Trans.on Signal Processing，2002，50（2）：174- 188.

［10］Djuric P M，Kotecha J H，Zhang J，et al.Particle filtering［J］.IEEE Trans.on Signal Processing Magazine，2003，20（5）：19- 38.

［11］Donoho D.Compressed sensing［J］.IEEE Trans.on Information Theory，2006，52（4）：1289- 1306.

［12］Candes E，Tao T.Near optimal signal recovery from random projections and universal encoding strategies［J］.IEEE Trans. on Information Theory，2006，52（12）：5406- 5425.

［13］Candes E，Wakin M.An introduction to compressive sampling［J］.IEEE Trans.on Signal Processing Magazine，2008，25（2）：21- 30.

［14］Diaconis P，F(xiàn)reedman D.Asymptotics of graphical projection pursuit［J］.The Annals of Statistics，1984，12（3）：793- 815.

［15］Wu Y，Lim J，Yang M H.Online object tracking：a benchmark［C］∥Proc.of the IEEE Conference on Computer Vision and Pattern Recognition，2013：2411- 2418.

吳凌琳（199-0- ），通信作者，女，碩士研究生，主要研究方向?yàn)閳D像處理、視頻智能分析。

E-mail：carinel＠163.com

楊 磊（1960- ），男，教授，主要研究方向?yàn)榘卜李I(lǐng)域、視頻分析。

E-mail：yanglei＠cuc.edu.cn

Particle filtering tracking based on compressive sensing

WU Xiao-yu，WU Ling-lin，YANG Lei
（School of Information Engineering，Communication University of China，Beijing 100024，China）

To deal with the target occlusion problem and illumination changes in moving target tracking，a particle filtering algorithm based on compressive sensing is proposed.The extracted features are added by compressive sense of the improved compressive tracking（CT）algorithm into the framework of particle filtering tracking.The credibility of extracted features including the color features of original particle filtering and compressive sensing features is judged，which deals with the target occlusion effects and illumination changes.The algorithm is tested in public database and experimental results show that the proposed algorithm brings about better robustness and tracks targets accurately in real time in comparison with the improved CT algorithm and particle filtering algorithm.

moving target tracking；particle filter；compressive sensing；credibility judge

TN 911.73

A

10.3969／j.issn.1001-506X.2015.11.30

吳曉雨（1979- ），女，副教授，博士，主要研究方向?yàn)閳D像處理、視頻智能分析。

E-mail：wuxiaoyu＠cuc.edu.cn

1001-506X（2015）11-2617-06

2014- 12- 29；

2015- 04- 24；網(wǎng)絡(luò)優(yōu)先出版日期：2015- 07- 06。

網(wǎng)絡(luò)優(yōu)先出版地址：http：／／www.cnki.net／kcms／detail／11.2422.TN.20150706.1705.015.html

國(guó)家科技支撐計(jì)劃（2014BAH10F00，2012BAH01F01- 01）資助課題