張雷 薛大燕

摘要：本文根據(jù)哈爾特征維數(shù)自適應(yīng)地方法來(lái)確定矩陣的稀疏性和列數(shù)來(lái)選取最終的目標(biāo)跟蹤矩形區(qū)域。結(jié)果表明，該算法可以不僅改變跟蹤目標(biāo)的矩形區(qū)域尺寸，并且改善了目標(biāo)漂移的問(wèn)題。

關(guān)鍵詞：壓縮感知;哈爾特征;貝葉斯分類器

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2019）09-0123-02

0 引言

目標(biāo)跟蹤的魯棒性必須滿足高穩(wěn)定性和實(shí)時(shí)性這兩個(gè)相互競(jìng)爭(zhēng)的要求。壓縮感知指出，原始的高維稀疏或可壓縮信號(hào)可以由低維信號(hào)重構(gòu)，低維信號(hào)的維數(shù)遠(yuǎn)遠(yuǎn)小于奈奎斯特采樣數(shù)。本文提出根據(jù)哈爾特征的維數(shù)自適應(yīng)地確定矩陣的稀疏性和列數(shù)的方法改變目標(biāo)跟蹤矩形區(qū)域尺寸。

1基本原理

1.1壓縮感知和隨機(jī)投影理論

2.3 算法流程

多尺度跟蹤是利用哈爾特征的維數(shù)自適應(yīng)地確定矩陣的稀疏性和列數(shù)的方法來(lái)實(shí)現(xiàn)，如圖1所示，在第t幀時(shí)流程最后將目標(biāo)分為正樣本和負(fù)樣本;在第t+1幀時(shí)利用第t幀的正負(fù)樣本將目標(biāo)首先進(jìn)行粗掃描并粗略的確定目標(biāo)跟蹤中的目標(biāo)及其矩形區(qū)域尺寸，并在進(jìn)一步的精掃描時(shí)根據(jù)哈爾特征的維數(shù)自適應(yīng)地確定矩陣的稀疏性和列數(shù)的方法來(lái)確定跟蹤目標(biāo)及其矩形區(qū)域的尺寸，之后跟第t幀的操作相同，即進(jìn)行多尺度濾波器、多尺度圖像特征、稀疏測(cè)量矩陣等操作確定最后的跟蹤目標(biāo)及其矩形區(qū)域的尺寸，并利用貝葉斯分類器跟蹤目標(biāo)分為正樣本和負(fù)樣本為下一幀的目標(biāo)跟蹤做準(zhǔn)備。如圖1所示，紅色框中便是利用哈爾特征的維度自適應(yīng)的方法來(lái)實(shí)現(xiàn)目標(biāo)跟蹤矩形區(qū)域尺寸變換的主要內(nèi)容，我們以此最終實(shí)現(xiàn)了跟蹤目標(biāo)圖像的矩陣區(qū)域尺寸的改變，從而改善跟蹤目標(biāo)漂移的問(wèn)題，提高了跟蹤目標(biāo)的精確性和魯棒性。

3 實(shí)驗(yàn)結(jié)果

本算法是在Windows764位系統(tǒng)下MatlabR2010a環(huán)境下運(yùn)行。本實(shí)驗(yàn)采用的是同一種視頻數(shù)據(jù)庫(kù)中的視頻序列。

本次實(shí)驗(yàn)在462幀圖像中抽選了3幀圖像。首先由圖2所示圖像序列之間的對(duì)比可知，第58幀圖像為光線較為昏暗的實(shí)驗(yàn)結(jié)果，第183幀圖像和第299幀圖像為光線較為光亮的實(shí)驗(yàn)結(jié)果，而第299幀圖像中的目標(biāo)較其他兩幀圖像相比跟蹤目標(biāo)特征發(fā)現(xiàn)了一些改變，因此，在此次實(shí)驗(yàn)結(jié)果驗(yàn)證中，也包含了一些背景因素的干擾，我們可以以此來(lái)驗(yàn)證改進(jìn)后的算法的魯棒性。

由此可知，實(shí)時(shí)壓縮跟蹤算法的跟蹤目標(biāo)對(duì)象的矩形區(qū)域始終為不變，而多尺度實(shí)時(shí)壓縮跟蹤算法的跟蹤目標(biāo)對(duì)象的矩形區(qū)域是不斷變換的。同時(shí)，多尺度實(shí)時(shí)壓縮跟蹤算法并沒(méi)有出現(xiàn)目標(biāo)漂移現(xiàn)象。

4 結(jié)語(yǔ)

本文提出了一種基于壓縮感知的多尺度變換的簡(jiǎn)單魯棒跟蹤算法，該算法基于壓縮感知理論知識(shí)，用隨機(jī)投影提取圖像哈爾特征，并用貝葉斯分類器分類。大量對(duì)具有挑戰(zhàn)性序列的最新算法的實(shí)驗(yàn)表明，該算法在精度、魯棒性和速度方面都有較好的性能，改善了目標(biāo)漂移的問(wèn)題。

參考文獻(xiàn)

[1] Xi Li，Weiming Hu，Chunhua Shen，et al.A survey of appearance models in visual object tracking[J].ACM Trans.intell.Syst.Technol.（ACM TIST），2013，4（58）：1-48.

[2] Candès E，Tao T.Decoding by linear programming[J].IEEE Trans.Inf.Theory，2005，51（12）：4203-4215.

[3] Kaihua Zhang，Lei Zhang，Ming-Hsuan Yang.Real-time compressive tracking[J].European Conf.Computer Vision （ECCV），October，2012：864-877.

Abstract：In this paper， the sparsity of the matrix and the number of columns are determined according to the adaptive method of haar feature dimension to select the final target tracking rectangular region. The results show that the algorithm can not only change the rectangular size of the tracking target， but also improve the problem of target drift.

Key words：compressive sensing;haar-like;bayesian classifier