基于颜色表示的尺度自适应实时目标跟踪

基于颜色表示的尺度自适应实时目标跟踪

张志凡;谢世朋;傅鹏

【摘要】传统基于颜色表示的在线目标跟踪方法,倾向于跟踪与目标外观相似的区域,会因为尺度变化而导致漂移.针对该问题,结合干扰感知模型与背景对象模型,提出一种基于颜色表示的目标跟踪方法.通过干扰感知模型抑制干扰区域,利用背景对象模型将目标对象从周围背景中区分出来,并结合自适应尺度估计方法进行目标跟踪.实验结果表明,与STC和RVT跟踪方法相比,该方法在精度和鲁棒性方面表现更好.【期刊名称】《计算机工程》

【年(卷),期】2018(044)007

【总页数】5页(P225-229)

【关键词】对象模型;尺度自适应;干扰感知模型;背景对象模型;颜色直方图

【作者】张志凡;谢世朋;傅鹏

【作者单位】南京邮电大学通信与信息工程学院,南京 210003;南京邮电大学通信与信息工程学院,南京 210003;南京邮电大学通信与信息工程学院,南京 210003【正文语种】中文

【中图分类】TP391

0 概述

目标跟踪是计算机视觉中的一个重要课题，它在监视、人机交互、车辆导航等方面有着广泛的应用。虽然许多跟踪方法［1-2］被提出，并且在最近十年中已经有重

大进展，但是目标跟踪仍然是一个非常具有挑战性的课题。为了发展健壮的目标跟踪算法，几个主要问题必须解决，包括背景杂波、光照变化、目标姿态变化、遮挡、摄像机运动等。

在早期的跟踪方法［3］中，颜色直方图［4］是一种常见的外观描述方法。然而，在最近十年中，研究重点已经转移到在精心设计的特点的基础上跟踪（如HOG

［5-6］的相关过滤器）和更复杂的颜色特征，如颜色属性［7-8］。这种跟踪在

最近的基准评估中，已被证明跟踪性能优异，反之在标准的颜色模型的基础上跟踪性能却很差。

尺度变化是跟踪中比较基本和常见的问题，尺度更新一定程度上也可以减少漂移现象。如果目标缩小，滤波器就会学习到大量背景信息；如果目标扩大，滤波器就跟着目标局部纹理移动。这两种情况都很可能出现非预期的结果，导致漂移并跟踪失败。

相比以上这种发展情况，基于标准颜色表示的跟踪器［7］仍然可以实现较好的跟踪性能。但在很多情况下，基于颜色的跟踪往往在与跟踪目标外观相似的区域附近产生漂移。针对该问题，本文提出基于颜色表示的尺度自适应目标跟踪方法，使用自适应对象模型减少漂移，以得到健壮和可靠的跟踪结果。

1 本文跟踪方法

本文跟踪方法对于跟踪器有以下2个要求：1）为了保证后续帧的跟踪效果，使用的对象模型必须能够从周围的背景中区分出目标；2）因为漂移会使在后续帧中跟踪到与目标相似外观的区域，所以要求减少飘移，并且这种干扰区域必须提前得到抑制，以确保健壮的跟踪性能。

1.1 算法流程

本文对目标的跟踪过程可以分为颜色特征提取、对象模型更新、自适应尺度更新，具体流程如图1所示。

图1 本文目标跟踪算法流程

1.2 对象模型更新

本文的对象模型主要是结合干扰感知模型和对象背景模型来得到，而为了适应对象的外观和光照的变化，使用线性插值定期更新对象模型：

其中，η为学习率。

1.2.1 背景对象模型

背景对象模型首先从背景像素区分出目标像素，将输入图像I通过基于颜色直方图［9-10］的贝叶斯分类器［11］进行分类，获取颜色特征信息。本文设定表示在非归一化直方图H的第b帧计算区域Ω∈I的值，bx表示第帧分配给 I（x）的颜色分量，并在初始帧给定一个矩形目标区域O（即初始假设的包围跟踪目标的矩形）及其周围区域S。应用贝叶斯规则获得目标x位置的似然值为：

因为从颜色直方图直接估计其似然值，所以有：

其中，|⋅|为基数。先验概率可以近似为P（x∈O）≈|O|/（|O|+|S|），则式（1）可简化为：

背景的像素值被分配的最大熵为0.5。背景对象模型允许从背景像素中区分目标像素。其中，目标区域P( x∈o|O，S，bx)表示输入图像通过目标背景模型的目标似然图，干扰区域P( x∈o|O，D，bx)表示输入图像通过干扰感知模型后得到相应区域O、S、D。图2显示了上述步骤所得到的结果。图2（a）中的内框代表的是目标区域O，外框代表的是目标区域周围的区域 S；图2（b）中中间框代表目标区域O，左右两边的框代表潜在的干扰区域 D。图2（a）的右图表示输入图像通过

目标背景模型的目标似然图，图2（b）的右图表示输入图像通过干扰感知模型后

得到的目标似然图。

图2 背景对象模型各步骤处理效果图

1.2.2 干扰感知模型

然而，基于颜色跟踪的一个最常见的问题就是：当背景区域和跟踪目标具有相似外观时，基于颜色跟踪的算法就很有可能漂移到附近的背景区域。为了解决这个问题，本文加入一个干扰感知模型，以抑制这种干扰区域。以图2（b）为例，假设给出

当前对象O和潜在的干扰区域D，可以利用这个信息来建立一个能够区分目标和

干扰像素的模型。因此，类似于式（2）定义干扰感知模型如下：

其中，I（x）∈I（O∪D）。将对象背景模型与上述的干扰感知模型相结合，得到最终的对象模型为：

其中，λp是一个预先定义的加权参数。应用这个对象模型可以得到高似然值的对

象区域，并且同时降低干扰区域的影响。

1.3 自适应尺度更新

类似于最近的尺度自适应的跟踪器，本文首先在新的一帧中定位目标，然后进行尺度估计。本文利用对象模型的阈值，通过尺度自适应将感兴趣的目标分割出来。但是由于背景杂波或快速光照变化的干扰，如果选择预先定义的阈值，那么可能会阻碍尺度自适应。因此，本文使用一个自适应阈值，分析如下。

设L表示在搜素区域通过对象模型而得到的对象似然图，然后，对目标区域O和

其附近的区域S进行计算得到累积直方图为：

利用累积直方图计算得到自适应分割阈值τ*为：