王 戰(zhàn) 劉松濤 楊紹清 宋 元郭 策

（1.海軍大連艦艇學(xué)院 大連 116018）（2.91937部隊(duì) 舟山 316000）

1 引言

在計(jì)算機(jī)視覺、圖像處理領(lǐng)域中，視頻目標(biāo)跟蹤是一個(gè)重要的部分，也是研究的重點(diǎn)和難點(diǎn)，一直以來都吸引著眾多學(xué)者的關(guān)注和研究。雖然在近幾年，視頻目標(biāo)跟蹤算法有著很大的進(jìn)步，但對于一些在特定場合下的特定目標(biāo)（圖像信噪比低，跟蹤中目標(biāo)出現(xiàn)大幅度尺度、光照變化，運(yùn)動速度過快等），總是需要不斷的改進(jìn)算法，來解決實(shí)際存在的各種問題。在目標(biāo)跟蹤中，基于匹配的跟蹤方法可以很好地消除目標(biāo)背景噪聲所帶來的不良影響，其可以分為兩種主流算法：基于灰度匹配的方法和基于特征匹配的方法［1］?；诨叶绕ヅ涞姆椒ㄊ抢没叶戎档牟煌瑓^(qū)分不同對象，包括絕對誤差和算法（SAD）［2］、誤差平方和算法（SSD）［3］、歸一化積相關(guān)算法（NCC）［4］等，但是由于其運(yùn)算量較大，并且對噪聲十分敏感，導(dǎo)致效果較差；基于特征的匹配方法一般先進(jìn)行特征提取再進(jìn)行特征匹配，具有實(shí)時(shí)性好、魯棒性突出等優(yōu)點(diǎn)，包括SUSAN［5］角點(diǎn)檢測，Harris角點(diǎn)檢測［6］等方法。雖然可以解決旋轉(zhuǎn)、平移等問題，但在目標(biāo)高速運(yùn)動時(shí)，無論是設(shè)備與目標(biāo)之間的距離不定，還是目標(biāo)本身的模板變化，都會使得上述方法失效。為了解決此類問題，Lowe等提出了 SIFT（Scale Invariant Feature Transform）［7］局部特征匹配算法，其在尺度變換、放射變換上都有良好的匹配性能。隨后，Herbert Bay等在SIFT算法的基礎(chǔ)上進(jìn)行改進(jìn)，提出SURF（speeded Up Robust Features）［8］進(jìn)行局部特征匹配，極大提升了SIFT算法的實(shí)時(shí)性。

為了達(dá)到更好的跟蹤效果，國內(nèi)外許多學(xué)者對SURF算法在不同方面都做了改進(jìn)。本文首先對SURF算法原理進(jìn)行介紹，然后對SURF算法近幾年在目標(biāo)跟蹤領(lǐng)域的各種改進(jìn)算法進(jìn)行梳理，主要包括：基于Mean Shift的SURF目標(biāo)跟蹤改進(jìn)算法；組合Kalman的SURF目標(biāo)跟蹤改進(jìn)算法；組合訓(xùn)練學(xué)習(xí)模塊的SURF目標(biāo)跟蹤改進(jìn)算法等，最后總結(jié)各算法的優(yōu)缺點(diǎn)，并從不同角度分析SURF算法未來的發(fā)展方向。

2 SURF算法原理簡介

SURF算法不僅具有SIFT算法對尺度變化和光照變化的優(yōu)良匹配性能，還具有更高的運(yùn)算速度和魯棒性，其運(yùn)算效率是SIFT算法的三倍。

2.1 構(gòu)造Hessian矩陣和構(gòu)造高斯金字塔

SURF算法采用Hessian矩陣行列式檢測特征點(diǎn)（極值處為特征點(diǎn)區(qū)域）。高斯拉普拉斯方法是最好的能夠保證尺度不變性的方法，SURF算法就是將Hessian和高斯拉普拉斯方法結(jié)合，產(chǎn)生了Hessian-Laplace方法。這樣結(jié)合把本來對尺度不變性不敏感的Hessian方法實(shí)現(xiàn)了特征尺度不變性。圖像中某個(gè)像素點(diǎn)的Hessian矩陣：

SURF算法利用盒狀濾波器近似代替高斯濾波器，這樣就是將濾波問題轉(zhuǎn)化成對不同區(qū)域的灰度和問題，大大地精簡了計(jì)算的時(shí)間，如圖1。

其中，N代表盒狀濾波器圖像中，突出部分（黑色與白色部分）的個(gè)數(shù)。Sn代表凸出部分像素?cái)?shù)量。φn是第n個(gè)突出部分的權(quán)值。

那么矩陣行列式的判別式可表示為

可已通過判別式來確定極值點(diǎn)，其中0.9為經(jīng)驗(yàn)值，用來平衡替換所帶來的誤差。與SIFT算法不同，SURF算法構(gòu)造高斯金字塔時(shí)，圖像大小不變，不同組間盒式濾波器逐漸增大，而相同組間的濾波器之間的模糊系數(shù)也是逐漸增大的。

2.2 定位特征點(diǎn)和確定特征點(diǎn)主方向

1）定位特征點(diǎn)

（1）初步定位關(guān)鍵點(diǎn)，將所有經(jīng)過Hessian矩陣處理后的像素點(diǎn)與三維臨域的26個(gè)任意點(diǎn)進(jìn)行比較，若為最值，則保留。

（2）設(shè)置合適閾值，適當(dāng)增加極值，使檢測的特征點(diǎn)數(shù)量減少，采用三維線性插值法，得到亞像素級別的特征點(diǎn)，最后篩選出穩(wěn)定的特征點(diǎn)。

2）確定特征點(diǎn)主方向

在SURF算法中，統(tǒng)計(jì)特征點(diǎn)圓形臨域內(nèi)的Harr小波特征，來保證旋轉(zhuǎn)不變性并確定主方向：

（1）計(jì)算半徑為6S（Scale，特征點(diǎn)的尺度值）臨域內(nèi)，60度扇形中所有點(diǎn)，在水平和垂直方向的Harr小波響應(yīng)總和，其中Harr小波邊長為4S。

（2）給響應(yīng)值附加權(quán)重，即靠近特征點(diǎn)的響應(yīng)值權(quán)重大，遠(yuǎn)離的則小。將扇形內(nèi)的響應(yīng)值相加，形成矢量。

（3）以0.2弧度大小的間隔旋轉(zhuǎn)，再進(jìn)行（1）、（2）步驟，將整個(gè)圓形區(qū)域計(jì)算完畢，選擇最長適量方向作為特征點(diǎn)的主方向。

2.3 生成特征描述子

如圖2，在特征點(diǎn)周圍取一個(gè)邊長為20S的正方形框，方向是特征點(diǎn)的主方向，然后將其分為16個(gè)子框，每個(gè)子框中就有需要統(tǒng)計(jì)的25個(gè)就主方向而言的水平和垂直方向的Harr小波特征的像素點(diǎn)。那么，每個(gè)子框就有4個(gè)總和。則每個(gè)特征點(diǎn)就有64維向量。較SIFT少了一半，所以速度會大幅度增加。

那么盒狀濾波器Dxx、Dxy、Dyy的灰度值總和可由積分圖像的概念求得：

3 基于Mean Shift的SURF目標(biāo)跟蹤改進(jìn)算法

Mean Shift算法在計(jì)算機(jī)視覺中的圖像跟蹤領(lǐng)域一直是學(xué)者們研究的熱點(diǎn)，因?yàn)樗惴ㄊ窍鄬Φ倪B續(xù)過程，計(jì)算量小，時(shí)效性好。而且，由于Mean Shift算法適合與其他算法結(jié)合，這為該算法提供了不斷創(chuàng)新的條件。

文獻(xiàn)［9］利用SURF特征點(diǎn)構(gòu)造直方圖，作為Mean Shift算法的第一步，當(dāng)算法由于跟蹤目標(biāo)進(jìn)行以外的旋轉(zhuǎn)造成姿勢改變失效時(shí)，利用光流法，重新初始化跟蹤器和模板。具體流程圖見圖3。此算法基于機(jī)器人平臺開發(fā)，雖然SURF算法對幾何突變和光照變化有很強(qiáng)的匹配性能，但在長時(shí)間跟蹤時(shí)會受到幀間噪聲影響。所以利用光流法，解決了模板生成問題，使得跟蹤算法能夠長時(shí)間工作。

文獻(xiàn)［10］以基于后驗(yàn)概率的Mean Shift算法作為全局跟蹤器，SURF算法作為局部跟蹤器，并將其分為長期特征點(diǎn)集合和短期特征點(diǎn)集合，增加了算法的效率，流程圖見圖4。流程中的綜合判斷器是用閾值來區(qū)分兩個(gè)跟蹤器的優(yōu)劣等級，根據(jù)等級采用不同的結(jié)合方法。算法應(yīng)用雙跟蹤器跟蹤，避免了單一跟蹤器在特定場景下的不足，使跟蹤更加可靠。但最后的結(jié)合判斷使得算法更為復(fù)雜，難度較大。

文獻(xiàn)［11］的創(chuàng)新之處在于其在組合SURF和Mean Shift算法的基礎(chǔ)上，又引入了自適應(yīng)分塊，利用SURF算法加強(qiáng)了對目標(biāo)模板的描述能力，也由于分塊權(quán)值的作用，使得其對目標(biāo)部分遮擋問題有了更好的跟蹤能力。

從本節(jié)可以看出，文獻(xiàn)［9］方法非常重要的優(yōu)勢在于可以利用光流法更新SURF特征描述子模板，保證了算法長時(shí)間服務(wù)的可能。

4 組合Kalman的SURF目標(biāo)跟蹤改進(jìn)算法

卡爾曼濾波是一種普及度很高的濾波方法，由于其易于操作的特性，適合與其他算法組合，在目標(biāo)跟蹤領(lǐng)域應(yīng)用廣泛。

文獻(xiàn)［12］與文獻(xiàn)［9］應(yīng)用平臺相同，不同的是其利用Kalman濾波與SURF組合進(jìn)行跟蹤，并利用動態(tài)對象模型在處理短時(shí)變化的同時(shí)，保證了長時(shí)變化的穩(wěn)定性。另外還提出了一種檢測目標(biāo)姿態(tài)變化的方法，保證了跟蹤的魯棒性。跟蹤框架見圖5。

文獻(xiàn)［13］是基于旋翼無人機(jī)平臺的跟蹤算法，利用兩級PID算法完成位置和姿態(tài)控制，保證了目標(biāo)出現(xiàn)的位置，進(jìn)而保證了有效的跟蹤。利用SURF算法改進(jìn)KLT算法進(jìn)行無人機(jī)跟蹤，由于傳統(tǒng)KLT跟蹤算法不能有效選擇關(guān)鍵點(diǎn)，導(dǎo)致緩慢漂移帶來的隨機(jī)誤差，加入SURF算法可使得無效關(guān)鍵點(diǎn)可以從KLT算法中移除，保證算法穩(wěn)定性。另外，還利用基于NCC模板匹配的檢測器和基于卡爾曼濾波器的位置預(yù)估器，可以很好解決跟蹤中的嚴(yán)重形變和快速運(yùn)動及遮擋等問題，但對運(yùn)動復(fù)雜的目標(biāo)，跟蹤效果不理想。

從本節(jié)可以看出，SURF與Kalman濾波的組合可以更好地應(yīng)用在快速目標(biāo)跟蹤上，但只應(yīng)用兩個(gè)算法，并不能完全符合復(fù)雜的跟蹤要求，因此學(xué)者們又以本身研究領(lǐng)域?yàn)槌霭l(fā)點(diǎn)，組合了其它算法進(jìn)行優(yōu)化。

5 基于深度學(xué)習(xí)模塊的SURF目標(biāo)跟蹤改進(jìn)算法

文獻(xiàn)［14］分為線下學(xué)習(xí)和線上跟蹤。利用SURF算法與神經(jīng)網(wǎng)絡(luò)組合，通過線下學(xué)習(xí)可以獲得更高等級的特征匹配。線上跟蹤利用組合神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)的粒子濾波和Mean Shift算法進(jìn)行糾正，實(shí)現(xiàn)整個(gè)跟蹤系統(tǒng)。從實(shí)驗(yàn)結(jié)果看出，算法擁有很好的跟蹤效果和發(fā)展前景，流程圖見圖6。

6 結(jié)語

通過本文可分析得出，SURF與Mean Shift的組合算法發(fā)展前景不大，但可以嘗試與Camshift組合［15～16］，進(jìn)而改善算法的實(shí)時(shí)性和計(jì)算復(fù)雜度。Kalman的預(yù)測功能可以大幅度提升SURF算法的計(jì)算速度，這種組合可以作為目標(biāo)跟蹤系統(tǒng)的一個(gè)模塊，在許多情境下都可以進(jìn)行組合使用，擁有廣闊的應(yīng)用前景。基于深度學(xué)習(xí)模塊的SURF目標(biāo)跟蹤算法可以通過解決模板更新問題，進(jìn)行長時(shí)間跟蹤，這種組合方法主要應(yīng)用在目標(biāo)識別和檢測領(lǐng)域，因此如何將其應(yīng)用在目標(biāo)跟蹤領(lǐng)域是該類算法發(fā)展的重點(diǎn)。另外，還有的文獻(xiàn)還將TLD跟蹤算法與SURF算法組合［17～18］，也有不錯(cuò)的跟蹤效果。

經(jīng)過以上分析，作者擬提出一種集成三類算法優(yōu)點(diǎn)的目標(biāo)跟蹤方法，首先利用SURF和神經(jīng)網(wǎng)絡(luò)算法組成特征點(diǎn)匹配模塊，然后由CamShift與Kalman算法跟蹤模塊，最后利用SURF對跟蹤模塊進(jìn)行修正。本算法不僅可以實(shí)現(xiàn)難度較大的目標(biāo)跟蹤，還可以長時(shí)間運(yùn)行，并不會出現(xiàn)累加誤差。另外，近幾年基于OpenCV平臺開發(fā)的目標(biāo)跟蹤算法層出不窮。OpenCV運(yùn)行效率高，具有大量優(yōu)化的代碼庫、強(qiáng)大的開源性和兼容性。因此，在下一步的探索研究中，如何在OpeanCV平臺上進(jìn)行新算法的開發(fā)是今后工作的重點(diǎn)。