基于多特征融合的目标跟踪算法.doc

基于多特征融合的目标跟踪算法 单东晶1，田海静1，马宝红1 （1.重庆通信学院 重庆市 400035） 摘 要：本文以压缩感知、随机投影理论等为基础,比较验证国内外主要方法，提出了一种在级联粒子滤波器框架下的多特征集成的目标跟踪算法。算法中采用了两类特征：颜色自相关图与基于随机投影降维的haar-like特征。其中降维haar-like特征被用于压缩感知跟踪算法中。实验采用了当前主流跟踪算法用于性能对比，测试视频的来源涵盖复杂背景、严重遮挡、剧烈的形变等问题。实验结果可以表明本文算法对比其他算法的性能优势。 关键词：压缩感知；稀疏表示；级联粒子滤波器；随机投影；目标跟踪 Visual Tracking Based on Multi-Features Combination Dongjing Shan1, Haijing Tian1, Baohong Ma1 (1.Chongqing Communication Institution ChongQing 400035) Abstract: This method is based on the framework of cascade particle filter,and two features are integrated under it,which are color correlogram and down-sampling haar-like feature after dimensionality reduction by random projection. The emphasis will be placed on the down-sampling haar-like feature, whose dimensionality has been reduced significantly using random projection and is used in a sparse representation tracking method. The random projection will maintain most of the information kept in the original large set of haar-like features and accelerate the execution speed significantly. Keywords: Compressive sensing; Sparse representation; Cascade particle filter; Random projection; Visual tracking 目标跟踪是机器视觉、人工智能领域研究的热点问题之一,在智能视频监控、交通控制、人机交互、机器人导航等方面有着很好的或者潜在的应用价值.目标跟踪面临的挑战、待解决的问题主要是需要采用有效的特征,建立鲁棒的目标模板以及有效的更新方法,使得算法整体对目标遮挡、背景干扰、光照变化、噪声等具有鲁棒性. 针对目标跟踪领域存在的问题,本文提出了一种基于级联粒子滤波器框架的多特征集成跟踪器算法. 算法联合了颜色自相关图[1]和降维haar-like特征,颜色自相关图可以利用到目标颜色的空间分布信息,而降维haar-like特征采用随机投影理论对全尺度的haar-like特征进行降维,降维后的向量能够保持绝大部分的信息,该特征能利用到目标表面丰富的纹理梯度信息,与颜色自相关图形成互补. 级联粒子滤波第一级采用颜色自相关图特征,第二级采用压缩感知跟踪算法,并且把降维haar-like特征应用于第二级中. 1 相关研究 目前国际上目标跟踪领域有海量的文献,按照目标跟踪的框架可以大致分为三类：基于概率模型的算法、基于轨迹优化的算法和基于分类器的算法. 概率模型算法经典的主要有mean-shift算法[2]、卡尔曼滤波[3]、粒子滤波算法[4]等,其中粒子滤波通过采样大量粒子可以模拟任何形式的概率分布,在目标跟踪领域得到了广泛的应用,衍生出了很多经典的算法,例如IPCA、稀疏表示等算法. 基于轨迹优化的算法一般有基于全局轨迹优化的离线跟踪算法[5],基于K最短路径[6]、路径匹配[7]等目标跟踪算法. 这些算法都是通过优化准则例如贪心法、动态规划等来获取最优或者次最优的路径. 基于分类器的跟踪算法文献十分丰富，不同的文献设计了不同的特征、采用了不同的分类器等,单从分类器类型来说有贝叶斯分类器[8],自行设计的树形[9]、森林分类器[10],boosting分类器[11]等等. 有关多特征融合的跟踪算法主要有：Valtteri Takala等在2007年提出的多目标跟踪算法