一种基于特征自动选取的跟踪算法

黎 蔚， 杨凯鹏， 陈家新， 冀治航

0 引言

视觉跟踪技术是机器视觉领域的核心课题之一，它是对图像序列中运动目标进行检测，提取、识别和跟踪，获得运动目标的运动参数（如位置、速度、加速度等），以及运动轨迹，从而进行进一步处理和分析，实现对运动目标的行为理解，以完成更高一级的任务。它从早期的目标跟踪领域衍生出来，被广泛应用在视频编码、智能交通、监控、图像检索及军工等众多领域中。

一个良好的跟踪系统要求能够实时处理目标由于自身运动导致的姿态变化，外部环境光照变化、部分遮挡及全部遮挡造成目标暂时消失等问题。为了实现准确的跟踪,近年来研究者已经提出了许多跟踪算法[1-4]。基于实际场景内容，将目标的多个视觉特征自适应地融合在跟踪方法中,则可以利用不同特征之间的互补性, 更好地适应场景的变化, 实现更为鲁棒的跟踪结果。一些研究者已经注意到集成多特征对于鲁棒跟踪的重要性, 并建立了各种模型，在视觉跟踪中加以运用[5-7]。左军毅等[6]利用目标外观的先验知识, 为目标建立多个颜色模型, 在此基础上设计目标函数, 通过从多个组合中选取最优模型,与单一固定模型相比，算法对目标外观的快速变化适应性很强。但在实际应用中，目标的先验信息是很难获取的，其次对于颜色分布相似的目标也不容易区分，而且许多形状明显不同的目标也会有相似的直方图。

我们可以根据不同情况，在不同时期选用不同的特征对目标进行跟踪，这样既可以保留原算法简单快速等特点，同时又增加了跟踪的稳健性。在多个典型场景实验中, 我们利用目前广泛使用的Mean Shift跟踪算法[1]，验证了本文提出的自动特征选择策略的有效性。

1 目标的多特征建模

在对目标进行建模的时候，一个重要的问题就是所采用模型的复杂度。简单的模型易于实现，并且可以很好地应用于实时性系统中。但是简单的模型一般不适合精确地描述物体复杂的变化。采用复杂的模型在某种程度上可以解决这个问题，并且所表现的结果更加精确和可靠，但这往往是靠牺牲系统性能来获得的，过高的计算复杂度往往不适合实时系统的开发，而且有可能带来某些不确定因素。在对目标进行建模的时候，必须对这些因素进行折中。

本文是分别利用多个特征构造目标的子模型, 然后选择合适的子模型来描述目标。这样带来的好处是：既可以从多角度来描述目标，又不会带来过多的计算。在新算法中，目标模型和候选模型定义如下：

目标模型：

候选模型：

其中m为候选特征的个数，iq和ip分别表示用第i个特征描述的目标模型。

2 自适应特征选择策略

2.1 特征相似度的评价指标

何时选择最合适的特征，是决定本算法的关键。“合适”的特征保证可以能够持续有效地用于后续特征匹配，同时应该保证目标和背景有良好的可分性。匹配和区分都涉及到相似度度量问题。一般Mean shift跟踪采用的Bhattacharyya相似性度量。它实际上是两个模为1的m维矢量之间的夹角余弦。但是这种相似度测度在实际运用中存在着一些问题。首先它涉及到开方运算，不适合实时性要求比较高的跟踪。其次巴氏系数的“区分性”不是很好，一些差别显著的图像用巴氏系数不能很好的区分。在应用巴氏系数指标进行匹配的时候，可能会出现匹配有偏，甚至出现匹配错误的现象。

如图1所示的8个二值图像，如果用巴氏系数指标来评价，是完全一样的图像。这是因为用巴氏系数作为相似度测量，丢失了目标的空间信息，因而对目标的判别能力不强。为了评价特征的好坏，必须选择一种具有“区分”性强的度量指标。这里我们引入了Minkowski广义距离[8]作为判断标准，Minkowski广义距离与巴氏距离相比，新的度量有着更好的区分性，参照表1。

需要补充说明的是，采用何种相似度度量，并不是固定不变的。可以根据具体情形选择不同的相似度度量。

图1 差别显著的8个二值图像

表1 Minkowski广义距离与巴氏距离结果的比较

2.2 特征的更换策略

根据前面的分析，我们更换特征需要考虑以下两个因素：实际目标和目标模板有着较高的相似性；其次是目标模板和背景区域有着较高的可区分性。根据跟踪的特点，我们把对于背景的分析限于比目标候选区域较大的区域称之为跟踪区域。跟踪区域不同于传统算法定义的背景区域，只有这些区域的特征才能真正影响跟踪。目前的跟踪算法在计算背景的时候，通常把整个目标之外的区域（或包括目标区域）都作为背景，既增加了计算量，又引入了许多与跟踪无关的因素。其次，考虑到特征的比较不能影响跟踪的性能，我们对于由于相似性指标1ρ和区分性指标2ρ都采取的是同一种度量，好的特征应该满足1ρ足够大，而2ρ足够小，这里我们定义：

根据这个公式可以看出，ρ越高，特征的性能就越好。实际跟踪中，我们还可以考虑特征获取效率等因素：

其中k是效率因子，计算复杂度越低的特征对应的效率因子越高，在区别能力相近的情况下，我们倾向选择效率因子较高的特征。

3 算法实现及结果分析

3.1 具体实现思路

根据前面提供的跟踪框架，本节给出了基于目标的颜色特证和纹理等特征的具体实现（在实际运用中，目标的其他特征都可以引入到算法中），并对室内外多个场景上的试验结果进行分析。下面是关于本文实验中所采取的两种特征的介绍。

在室内对人脸进行跟踪的时候，我们用目标在HSV空间的H分量作为目标的颜色特征,目标的颜色特征被量化为256个区间。由于其计算简单，我们把该特征的效率因子k设为1。 纹理特征同样是一个重要的稳定的特征。目标的纹理同样具有旋转不变性和尺度不变性等特征。我们选取进来比较流行的LBP（Local Binary Pattern）算子对目标进行描述。

假定目标在上一帧的位置为0y,目标的颜色模型和纹理模型分别为0q和1q，两者效率因子分别为1k和2k,基于颜色和纹理特征的自动选取算法流程如下：

① 根据式（4）选择跟踪的选择合适的特征；

② 根据选择的特征进行跟踪，选择候选目标中心1ˆy；

③ 在1ˆy处，比较两种特征的选择度ρ，选择ρ大的特征继续跟踪，转流程②。

3.2 实验结果

为了测试本文的算法，我们在多个视频序列中进行了测试。下面选取一个典型的试验进行说明，如图 2所示。初始目标为手动选择，效率因子k分别选取为1和0.8，颜色及纹理特征的模型均采用Epanechnikov核[1]作为空间加权核函数。由图 2可以看出，在灯光没有变化的情形下，基于颜色的跟踪取得了很好的效果（帧15，26，46，90）。但是当灯光突然熄灭的时候，目标开始丢失（帧 99，100），这时根据上述公式，换取基于LBP的特征继续跟踪（帧112，115），由于LBP特征受光照变化影响较小，这时仍能获取良好的跟踪效果。

图2 算法改进后的实验结果

4 结语

针对复杂场景下的目标跟踪问题，本文提出了一种特征自动选择的跟踪方法；该方法可以根据实际场景的变化，选择恰当的特征对目标进行跟踪，实现对场景的自适应。实验中选择颜色特征及LBP纹理作为目标特征，通过对多次比较试验，验证了本文方法对复杂场景具有良好的自适应性，能够实现鲁棒实时的目标跟踪。

[1] Dorin Comaniciu,Visvanathan Ramesh,Peter Meer. Kernel-based Object Tracking[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2003, 25(05)：564-57.

[2] Huang J. Image Indexing Using Color Correlograms[M].USA：IEEE,1998：156-163.

[3] 王永忠,梁彦,赵春晖,等.基于多特征自适应融合的核跟踪方法[J].自动化学报，2008，34(04)：393-399.

[4] 李川.基于 Kalman的滤波目标精确跟踪技术研究[J].通信技术,2009,42(06)：205-207.

[5] 左军毅，梁彦，潘泉，等.基于多个颜色分布模型的Camshift跟踪算法[J].自动化学报，2008, 34(07)：736-742.

[6] Collins R T, Liu Y X, Leordeanu M. Online Selection of Discriminative Tracking Features[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2005, 27(10)：1631-1643.

[7] 杜虎强，梁卫星，周杰.AKF与 EFRLS在动态目标跟踪性能上的比较[J].通信技术,2009,42(11)：208-210.

[8] 时永刚. Minkowski广义距离与多模态图像配准[J].北京理工大学学报, 2005,25(10)：913-918.