基于加速鲁棒特征和多示例学习的目标跟踪算法.docVIP

基于加速鲁棒特征和多示例学习的目标跟踪算法 　　摘 要：视频目标跟踪是机器视觉与人工智能的重要研究方向， 具有很强的实用价值和重要的研究意义。众多学者和专家都致力于研究如何更好地解决照明变化、形状变化、外观变化和遮挡对目标跟踪的影响。针对照明变化、形状变化、外观变化和遮挡对目标跟踪的影响， 提出一种基于加速鲁棒特征（SURF）和多示例学习（MIL）的目标跟踪算法。首先，提取目标及其周围图像的SURF特征；然后，将SURF描述子引入到MIL中作为正负包中的示例；其次，将提取到的所有SURF特征采用聚类算法实现聚类， 建立视觉词汇表；再次， 通过计算视觉字在多示例包的重要程度， 建立“词文档”矩阵， 并且求出包的潜在语义特征通过潜在语义分析（LSA）；最后， 通过包的潜在语义特征训练支持向量机（SVM）， 使得MIL问题可以依照有监督学习问题进行解决， 进而判断是否为感兴趣目标， 最终实现视觉跟踪的目的。通过实验， 明确了所提算法对于目标的尺度缩放以及短时局部遮挡的情况都有一定的鲁棒性。 　　关键词：加速鲁棒特征；多示例学习；潜在语义分析；目标跟踪；支持向量机 　　中图分类号：TP391.4 　　文献标志码：A 　　文章编号：1001-9081（2016）11-2974-05 　　0 引言 　　目标跟踪正在社会科技发展和国民经济中发挥着巨大的作用， 其研究具有重要的应用价值和广阔的发展前景， 然而， 照明变化[1-3]、外观变化[4-5]、形状变化[6-7]和遮挡[8-10]这些因素仍然是目标跟踪的巨大挑战。 　　根据跟踪目标的相似性度量方法以及表示的不同， 将跟踪算法归类为基于模型的、基于轮廓的、基于区域统计特性的和基于特征的跟踪算法等。 　　基于模型的跟踪对于目标的运动轨迹分析比较准确， 即便目标在被跟踪的过程中有姿态变化也能跟踪到目标， 但在实际的跟踪系统中， 如果没有先验知识就很难得到目标模型。 对刚体目标如汽车[11]进行跟踪时， 首先通过已知的先验信息得到汽车的3D结构， 然后通过视频序列获取3D模型的参数， 继而得到跟踪目标的瞬时运动参数； 但是， 实际中很难保证几何模型的精确， 同时3D模型的相关算法也比较耗时， 使得这种算法在运用中有了一定的局限性。基于轮廓的跟踪， 在对目标进行跟踪时采用先分割后提取边缘， 这种方法对外形有变化的目标有较好的跟踪效果， 如对运动细胞的跟踪， 但当运动的目标被全部或部分遮挡时， 这种算法将受到很大的局限。基于区域统计特性的跟踪方法由于利用目标的全局描述信息， 难以准确定位， 同时， 受到存在其他区域统计特性相似的影响， 跟踪算法也会失效[12]。基于特征的跟踪算法的关键是进行特征提取， 常见的方法有Harris角点检测[13]、SUSAN（Smallest Univalue Segment Assimilating Nucleus）[14]、HessianLaplace[15]、强角点检测[16-17]等。但是它们的缺点是不能适应图像的尺度变化， 对于不同尺度的图像， 无法建立相应特征点的对应关系。近几年， 目标跟踪更关注于基于特征的目标跟踪算法， 如在实际复杂多变的场景中目标在跟踪过程中往往会出现形变、遮挡等问题， 当前利用其他方法很难有效解决这些问题， 而通过特征点匹配， 不断更新特征点最终可以实现目标的跟踪[18]。加速鲁棒特征 （Speeded Up Robust Feature， SURF）[19]是一种尺度不变和旋转不变的特征， 与传统的跟踪算法相比， SURF是一种很好的局部特征， 并且这种特征具有尺度不变、图像旋转不变和视角不变性， 以及良好的特征提取速度。因此， 本文针对目标的尺度变化选用了SURF特征， 同时由于多示例学习（MultiInstance Learning， MIL）是若干个样本构成的样本包取代单个样本， 通过此办法可以解决正样本很难确定的情况， 对目标被部分短时遮挡的情况具有很好的效果。本文提出了基于SURF特征和MIL的目标跟踪算法。 　　1 目标特征的提取 　　1.1 SURF特征的提取 　　本文提出的目标跟踪算法提取目标区域及其周围的SURF[20]特征， 如图1所示。 　　第一步 进行特征点检测， 主要利用Hessian矩阵的行列式判断图像上某点是否为极值点， 如式（1）所示： 　　若行列式小于零， 即此矩阵的特征值不同号， 就可判断出（x，y）是非局部极值点；反之， 若行列式大于零， 即此矩阵的特征值同号， 就可判断出（x，y）是极值点。 　　第二步 确定主方向， 构造SURF特征描述子向量。提取SURF特征的算法如图2所示。 　　1.2 潜在语义特征的提取 　　将目标区域及其周围的SURF特征继