解博江 朱晶晶

（黃河交通學(xué)院智能工程學(xué)院，河南 焦作454950）

視頻目標(biāo)跟蹤在智慧城市、智能交通、醫(yī)療輔助、人機交互等領(lǐng)域具有非常重要的應(yīng)用，是計算機視覺與模式識別的一個重要的研究課題[1]。目前，研究視頻目標(biāo)跟蹤的算法眾多，可分為生成式[2]與判別式[3]方法。其中生成式方法首先建立目標(biāo)表觀模型，通過對視頻中每一幀圖像按照一定的策略搜索，以此得到與表觀模型最為相近的區(qū)域，作為目標(biāo)所在位置。而判別式方法則把目標(biāo)跟蹤看成一個典型的分類問題，其核心思想是建立目標(biāo)和背景差異模型，訓(xùn)練出一個分類器，能夠從圖像信息中區(qū)分出目標(biāo)與背景，從而確定目標(biāo)位置，達(dá)到跟蹤效果。相關(guān)濾波是一種典型的判別式跟蹤方法，Bolme 等[4]人首次將相其引入到視頻目標(biāo)跟蹤領(lǐng)域中，并以最小二乘的方式對濾波模板進行訓(xùn)練，最終形成了最小輸出均方誤差和跟蹤方法，以其較高的跟蹤速度與精度，引起了眾多學(xué)者的廣泛關(guān)注。文獻[5]提出的時空場景跟蹤方法，從概率論的角度對相關(guān)濾波方法進行封裝，同時融入了時空上下文信息，并且在模板更新中考慮到了目標(biāo)尺度變化問題。文獻[6]提出了循環(huán)結(jié)構(gòu)核跟蹤方法，該方法用核化嶺回歸的方式來訓(xùn)練濾波模板，從而增加視頻目標(biāo)跟蹤中模板在光照、遮擋等情況下的適用性。文獻[7]在將單通道核相關(guān)濾波器拓展為多通道，有效解決了復(fù)雜多維度特征的使用問題，通過方向梯度直方圖特征代替簡單像素灰度特征，提出了核相關(guān)濾波器。上述所提及的跟蹤方法，都是直接對彩色圖像序列進行灰度化處理，然后提取其特征。這就導(dǎo)致了顏色信息的嚴(yán)重缺失，造成了對快速運動及形變目標(biāo)的描述能力不足，表現(xiàn)為跟蹤精度的下降，特別是在視頻亮度不高的情況下，容易引起誤差量的增大并累積，最終導(dǎo)致目標(biāo)的漂移。為此，本文提出使用加權(quán)融合的HSV 顏色空間信息與HOG 特征進行級聯(lián)去表征目標(biāo)，并通過構(gòu)建核相關(guān)濾波器實現(xiàn)對目標(biāo)的有效跟蹤。

1 核相關(guān)濾波跟蹤算法

1.1 相關(guān)濾波跟蹤算法基本原理

相關(guān)濾波考慮到視頻目標(biāo)序列具有較強的相關(guān)性，認(rèn)為視頻中同一目標(biāo)在連續(xù)的兩幀圖像中位置及尺度變化不會太大，因此可以利用當(dāng)前已知的目標(biāo)圖像序列來訓(xùn)練模板。用得到的訓(xùn)練模板和當(dāng)前的圖像進行相關(guān)運算，使響應(yīng)值達(dá)到最大的地方就目標(biāo)所在的位置。計算過程如式（1）所示。

其中，x 為當(dāng)前幀圖像，w為訓(xùn)練得到的模板，兩者進行的運算為互相關(guān)運算，y 為當(dāng)前幀中目標(biāo)所在位置的響應(yīng)函數(shù)。

1.2 構(gòu)建循環(huán)矩陣的嶺回歸訓(xùn)練求解

X、Y 分別為輸入前m 幀圖像樣本xi和其對應(yīng)的回歸目標(biāo)yi所組成的兩個向量，XH是X 的復(fù)共軛轉(zhuǎn)置，I 為單位矩陣。如果直接通過（5）式求解w系數(shù)，計算量較大。通過循環(huán)移位的方式對輸入的前一幀圖像構(gòu)建循環(huán)矩陣代替前m 幀圖像進行訓(xùn)練，充分利用任意循環(huán)矩陣都可以被傅里葉變換矩陣對角化這一特殊性質(zhì)，簡化訓(xùn)練求解過程。利用循環(huán)矩陣的性質(zhì)可解得：

對式兩端同時進行FFT 變換并應(yīng)用循環(huán)矩陣性質(zhì)可得到所訓(xùn)練濾波模板的閉合解。

1.3 核函數(shù)快速訓(xùn)練與檢測

2 目標(biāo)的特征提取

2.1 HOG 特征的提取

2.2 HSV 顏色空間模型

HSV 顏色模型是通過三種屬性- 色度、飽和度和明度來對一幅彩色圖像信息進行描述描述，三者分別反映圖像的色調(diào)，圖像色彩的深淺程度以及色彩明亮程度。這種色彩描述方式相比常用的RGB 模型更接近人的視覺感觀，而且HSV 色彩空間對光照的變化具有良好的魯棒性，所以比較適合對光照變化情況下的彩色圖像信息進行描述。由RGB 到HSV 顏色模型的轉(zhuǎn)換可以看出H、S、V 三通道信息相互獨立，其中V 分量在一定程度上能反應(yīng)圖像的灰度信息，而H 和S 分量則反映顏色信息。

2.3 HSV 三通道加權(quán)融合的HOG 特征

3 實驗結(jié)果與分析

3.1 實驗環(huán)境及參數(shù)設(shè)定

3.2 不同亮度條件下跟蹤效果對比

實驗選取了Benchmark 視頻庫中的四段目標(biāo)發(fā)生快速運動及形變的彩色視頻序列，并在不同亮度條件下，將KCF 與本文所提出的三通道加權(quán)融合的HSVKCF 進行對比測試，結(jié)果如圖1 所示。

圖1 KCF 與本文方法跟蹤效果對比圖

圖1 中a、b 兩組為對應(yīng)著原始亮度與降低20%亮度后的圖像序列。在視頻1 的a 組中，運動員在快速運動時產(chǎn)生形變，使用KCF 的跟蹤方法跟蹤框出現(xiàn)一定的偏移，跟蹤精度降低，而本算法能夠保持較好的跟蹤效果。視頻1 的b 組視頻，整體亮度降低，此時，KCF 算法在跟蹤時跟蹤框出現(xiàn)了較大的偏移，隨著時間的推移，跟蹤誤差不斷增大，最終出現(xiàn)跟蹤失敗。本文算法因為融入HSV 三通道顏色信息，跟蹤效果較好。在視頻2 的a組中，跟蹤的目標(biāo)出現(xiàn)了快速移動移動，同時有尺度的變化，KCF 算法在跟蹤時，跟蹤框出現(xiàn)偏移，b 組的視頻亮度低的情況下，這種更加凸顯了偏移量，隨著模板誤差的累積，最終跟蹤失??；而本文所提出的算法受視頻亮度的影響較少，故依然能準(zhǔn)確的跟蹤目標(biāo)。在以上測試視頻中，由于目標(biāo)發(fā)生快速運動及形變，引起KCF 的跟蹤精度出現(xiàn)不同程度的下降，尤其是在低亮度情況下更為明顯，融入HSV 三通道顏色信息的HSVKCF 對視頻亮度變化不敏感，而且對快速運動及形變的目標(biāo)有更好的跟蹤效果。

4 結(jié)論

典型相關(guān)濾波類算法在跟蹤速度及精度上具有一定的優(yōu)勢，但對彩色圖像序列進行處理時，為了提高計算效率，通常直接將其顏色信息舍去，導(dǎo)致目標(biāo)發(fā)生快速運動以及形變時，出現(xiàn)了跟蹤精度下降的現(xiàn)象，特別是在視頻亮度不高的情況下更為嚴(yán)重。本文從有效利用顏色信息的角度出發(fā)，采用HSV 三通道加權(quán)級聯(lián)HOG 特征去有效表征目標(biāo)，并構(gòu)建核相關(guān)濾波器達(dá)到跟蹤的目的。為了驗證算法的有效性，對本文提出的HSVKCF 與常見的相關(guān)濾波算法做了兩組對比性試驗，結(jié)果表明融入顏色信息后HSVKCF 對與快速運動及形變的目標(biāo)有更高的跟蹤精度，并且對視頻亮度變化敏感度較低。