视频追踪算法研究

摘 要 简要介绍了视频追踪的简单知识，系统全面的介绍了视频追踪的几种算法，包括基于自适应颜色属性的追踪算法、基于压缩感知理论的追踪算法、基于概率连续异常值的追踪算法。

关键词 视频追踪；颜色属性；压缩感知；概率连续异常值

中图分类号 G2 文献标识码 A 文章编号 2096-0360（2015）01-0037-02

视频追踪是近年来新兴的一个研究方向，它融合了计算机视觉，模式识别等学科技术，在安全监控，视频压缩与检索等方面有广阔应用前景。系统以图像序列输入，输出则是图像中目标的各种属性，如大小，位置等。其目的是为了判断图像序列中目标的位置。影响视频追踪的原因有多个，如光照不变、部分遮挡、变形等。追踪算法通常分为生成式算法和判别式算法。

1 基于自适应颜色属性的追踪算法

1.1 追踪器

追踪器是从单一图像片段中学习一种核心的最小二乘目标分类器，该追踪器具有显著速度的关键是这种追踪器研究出的循环结构似乎能够从局部图像片段中进行周期性假设，这里我们简要介绍一下该算法。

这种分类器使用一种单一的灰度图像片段进行训练，图像片段的大小是的，且分布在目标对象的中心。这种追踪器考虑所有的循环变化，，并将其作为分类器的训练样本。这些样本以一种高斯函数来进行标记，以便用来标记。这种分类器通过成本函数最小化（1）进行训练，如下式所示。

（1）

这里是通过核函数诱导得到的希尔伯特空间的映射，内积定义为，常数是一个正则化参数。成本函数（1）是由最小得到的，这里的系数定义

如下：

（2）

这里是离散傅里叶变换。我们定义离散傅里叶变换：，这里是由核函数输出得到的。等式（2）中若是平移不变的，也就是对于所有的，都有。

在新的一帧中，检测步骤是通过对大小为的灰色图像片段进行第一次裁剪而执行的。检测的分数是由计算得到的，这里的是样本片段的傅里叶变换核输出。这里表示目标外观的灰度图像片段，并且是由多种帧获得的。在新的一帧，目标位置是通过寻找合适的变换以找到的最大分数来估计的。这里的核输出和能够通过使用快速傅里叶变换有效地计算出来。

1.2 算法思想

最先进的视觉追踪器依靠亮度信息或使用简单的颜色表示来对图像进行描述。与视觉追踪相反的是，对象识别和检测、复杂的颜色特性结合亮度显示时能够提供较好的性能。由于追踪的复杂性，应该高效的计算所需的颜色特性，拥有一定数量的光度不变性，同时保持高辨别力。基于此，本节提出了该算法，该算法是在追踪器的基础上获得的新算法，由于追踪器对于多通道信号的处理结果是次优的，从而为了解决这个问题，本文自适应的更新样本，采用多通道追踪器进行训练。高维物体的颜色属性能够导致计算量的增加，因此限制了该算法的应用。

2 基于压缩感知理论的追踪算法

2.1 压缩感知理论

2.1.1 随机投影

设置一个随机矩阵，该矩阵的行是从高维图像空间到低维空间的单位长度的投影数据，符号表示为

（3）

随机矩阵中n

2.1.2 随机测量矩阵

满足限制等距特性的一种典型的测量矩阵是随机高斯矩阵，下面的，当这个矩阵是稠密的，并且是很大的情况下，该矩阵的存储和计算量仍然是很大的。在本小节中，使用了一个非常稀疏随机测量矩阵，其定义如下：

（4）

Achlioptas[2]证明了这种类型的矩阵在时满足Johnson-Lindenstranss引理。这种矩阵只需要一种统一的随机生成器，便很容易的计算出来。更重要的是，当时，这种矩阵是非常稀疏的，因为这时可以避免计算量的2/3。另外，

Liet al.[3]指出，这种矩阵是近似正态分布的。在本小节中，我们设置，从而得到一个非常稀疏的随机矩阵。

2.2 算法思想

在压缩领域，本文介绍了一个有效的基于多尺度特征空间的特征提取的方法来构造外观模型，同时将正负样本通过尺度变换，对样本量进行扩充；再对扩充的样本进行压缩，然后将这个多尺度的样本空间的样本通过稀疏矩阵投影到低维空间中。构造的外观模型用来生成基于特征提取的目标，它也是判别式的。

3 基于概率连续异常值的追踪算法

3.1 基于概率连续异常值的追踪框架

视频追踪被看作一种隐马尔可夫模型的贝叶斯推理任务。给定一系列观测样本，

直到第帧的位置，其目的是递归地估计隐藏的状态变量，，这里代表两种连续状态间的运动模型，表示观测模型，该观测模型能够估测属于目标类型的观测图像片段的可能性。类似于增量视觉追踪方法

[4]，我们使用仿射变换的6个参数来表示运动模型。状态变换通过无规则运动表述，也就是说，，这里是一个对角协方差矩阵。

3.1.1 观测模型

假设两个连续帧之间指标向量变化非常小，我们建立一个基于自由异常值最小二乘法的似然函数。对于每一个对应于预测状态的观测图像矢量来说，我们通过最小二乘算法来解决下面的方程式，方程式如下

（5）

这里表示状态下第位置样本，是帧指标，代表按元素排列的乘法算子。是第帧位置上基于概率连续异常值算法得到的指标向量。在最理想的得到之后，观测的可能性可以通过下式测量得到

（6）

这里在本文中被设为0.1。

3.1.2 在线更新

在该算法中，指标向量的零元件能够识别异常值，获得每一帧最佳状态后，提取相应的观测向量，推断指标向量。然后，通过取代平均向量的相应部分异常值来恢复观测向量

（7）

这里表示恢复样本，代表按元素排列的乘法算子。这个恢复样本能够累积，还可被用来更新通过增量主成分分析方法获得所需的追踪器。此外，推断出的指标向量已储存，然后用于下一帧。

3.2 算法思想

本小节采用一种新颖的概率连续异常值方法来描述出现在线性表示模型中的连续异常值。在该算法中，噪声观测模型要么可以用小高斯噪声的主成分分析子空间来表示，或者可以被看作在一个统一值之前的一个任意值，在这个噪声观测模型里，空间之前的一致性充分利用的是一种二元马尔可夫随机领域模型。然而，本文中能够推导出概率连续异常值模型的目标函数，其解决方案是能够通过自由异常值的最小二乘法和标准最大流、最小裁剪方法反复迭代获得。最后，本文设计一个有效的观测似然函数和一种视频追踪的样本更新方法。无论从定量分析还是定性分析，该算法都能显示比其他算法在精确度和速度方面的优越性。

4 小结

本文重点介绍了基于自适应颜色属性的追踪算法、基于压缩感知理论的追踪算法和基于概率连续异常值的追踪算法。由于影响视频追踪的原因复杂性，应该根据不同的原因选择不同的算法。在系统设计中，应该根据具体的精度要求，计算复杂度要求和实时性要求等采用不同的追踪算法。多种算法的联合使用可以有效地克服单一算法的局限性，因此应该着重于该方向的研究工作，使追踪算法更具有精确度、实时性和鲁棒性。

参考文献

[1]范春宇.视频跟踪技术研究[D].西安电子科技大学，2007.

[2]Achlioptas， D.： Database-friendly random projections： Johnson-Lindenstrauss with binary coins. J. Comput. Syst. Sci 66（2003）671-687.

[3]Li， P.， Hastie， T.， Church， K.： Very sparse random projections. In KDD（2006）287-296.

[4]D. Ross， J. Lim， R.-S. Lin and M.-H. Yang. Incremental learning for robust visual tracking. International Journal of Computer Vision，77（1-3）：125-141.