基于Kalman预测器的CT多特征加权目标跟踪算法
摘 要： 针对CT的目标跟踪算法，在外界环境光照改变、目标姿态变化及目标发生遮挡时出现跟踪飘移或丢失目标等问题，提出一种基于Kalman预测器的CT多特征加权目标跟踪算法。首先根据跟踪目标特征的稀疏特性，利用随机采样在线更新获取特征的离散样本，引入Online?boosting的多特征加权权值，优化置信图估计，并利用Kalman预测器预测修正跟踪目标区域位置。对三组不同场景图像序列测试结果表明提出的算法能够快速准确地实现复杂环境下的运动目标跟踪任务，有效地增强了目标特征对纹理改变、光照变化和目标遮挡的稳健性，且继承了传统算法的实时性。
关键词： 目标跟踪； 压缩跟踪； Online?boosting； 卡尔曼预测器
中图分类号： TN820.4?34； TP391 文献标识码： A 文章编号： 1004?373X（2016）12?0091?05 Abstract： Since the target tracking algorithm for compression tracking （CT） has the problems of tracking drifting or target losing when the illumination of external environment changes， target attitude changes and target is covered， a Kalman predictor based target tracking algorithm
importing CT multi?feature weighting is proposed. According to the sparse property of the tracked target characteristic， the online update of random sampling is used to acquire the discrete sample of the characteristic， and the weight of Online?boosting multi?feature weighting is imported to optimize the confidence map estimation. After that the Kalman predictor is used to predict and correct the position of the target area. The image sequences of three different scenes were tested. The test results show that the proposed algorithm can quickly and accurately realize the moving target tracking in complex environment， effectively improve the robustness of target characteristics in the aspects of texture variation， illumination variation and target occlusion， and keeps the real?time performance of the traditional tracking algorithm. Keywords： target tracking； compression tracking； Online?boosting； Kalman predictor 0 引 言
目标检测与跟踪是计算机视觉领域中核心研究内容之一，也是认知科学、机器人学和人工智能共同关心的重要研究课题。目标跟踪技术是获得高级层面信息的基础条件，也是目标识别与分类的重要组成部分。国内外科研人员先后提出了多种目标跟踪方法，例如：基于目标特征、区域匹配、
目标轮廓等目标跟踪算法，但这些传统的算法存在现实复杂场景下实用性较差，鲁棒性能不高等问题，导致跟踪偏移或跟踪失败。近年来，基于在线学习的目标跟踪算法受到了广泛关注，该算法把跟踪问题看成一个特殊的二元分类问题[1?3]，其核心思想利用根据先验知识设计的分类器将跟踪目标从帧序列图像背景提取出来，并根据提取特征实时在线更新和修正目标特征分类器。
2006年D.Donoho等人提出一种“压缩感知”（Compressive Sensing）信号采样理论[4]，该理论通过非线性稀疏结构重建恢复原始信息，引起了数学界和应用科学界的广泛关注，之后压缩感知思想在无线通信、生物传感、机器视觉等领域得到广泛应用。2010年Sternig S等人提出了一种新的在线学习方法（Transient Boost），使用高度自适应学习参数更新不可靠数据，以适应场景的快速变化并使错误更新快速弹出，可靠数据则完全被保存下来，不会被错误的更新所污染[5]。2011年Shi Q等人针对稀疏矩阵数据的不足，不能保证压缩感知算法完美恢复原始信息的问题，提出了近似稀疏矩阵，提高了人脸识别的准确性和实时性。2012年ZHANG Kaihua等人提出一种实时压缩跟踪方法[6]，它首先利用符合限制等距性（Restricted Isometry Property）条件的随机采样矩阵对图像特征进行降维，其次采用朴素贝叶斯分类器对降维后的特征进行分类，最后通过在线学习更新修正分
类器参数。2014年张雷等人将跟踪目标区域特征变换为相位一致性特征[7]，消除光照变化对目标跟踪的影响。该算法在环境光照变化时表现出了良好的适应性和鲁棒性。2015年潘磊利用符合有限等距性质要求的稀疏矩阵对高维特征进行采样，提出了一种改进的快速压缩跟踪算法，获得目标低维特征[8]。 传统CT目标跟踪算法实时性好，对外观变化和背景变化均具有一定的鲁棒性，但实际跟踪过程中，当目标外观变化较快时，其分类器的更新速度明显延迟，容易引起跟踪漂移。针对CT算法的缺陷，提出改进算法，根据灰度和纹理特征构造目标模型，基于Online?boosting的特征加权分类思想[9]，采用多特征加权方法消除因正负样本直接相加造成误差累积的影响，并利用Kalman预测器预测修正图像中目标的位置，确定CT算法目标跟踪的搜索区域，减少目标特征匹配时间，保持优化算法的实时性。实验结果表明提出的算法不仅在复杂场景下能够实时准确地完成运动目标跟踪任务，验证了算法能够有效地增强了特征对纹理改变、目标遮挡和光照变化的稳健性。 1 CT算法介绍
CT算法是在Prony理论方法的基础上，将稀疏约束与随机矩阵有效的结合，找到一个稀疏信息重建性能最佳的方法。在欠Nyquist采样率的条件下，利用跟踪目标特征的稀疏特性，采用随机采样的方法获取特征信息的离散正负样本，然
后通过非线性相关矩阵重建算法实现对高维信息特征的感知。基于CT的目标跟踪算法从目标特征信息中稀疏抽样得到低维压缩特征，取代高维图像特征中的冗余信息，并将有效低维特征整合进行目标跟踪，较传统算法具有处理数据少，分类器参数实时更新快等特点。 1.1 压缩感知的特征提取
CT算法利用目标特征信息的稀疏特性，通过稀疏采样方法获得低维离散正负样本，其压缩提取特征的公式如下： 1.2 基于贝叶斯分类器的目标检测 2 基于特征加权的目标检测
国内外学者对CT目标跟踪算法进行了深入的研究，发现其算法在光照变化，目标纹理变化易出现跟踪偏移或丢失目标的现象，分析其主要原因，该算法强制将多种不同样本特征直接相加，没有考虑到不同样本的特征对目标的分类效果的影响作用，产生较大的误差累积，降低了分类器的分类效果。
候选区域目标正负样本与跟踪目标的匹配概率为： CT目标跟踪算法利用式（3）对候选区域压缩采样得到低维离散特征样本匹配概率直接叠加，选取最大的[H（v）]作为跟踪目标区域。但目标特征的多样化决定了每种特征构造的分类器的分类效果的多样化，又因在不同帧序列图像，相同特征的分类效果也可能受到外界的干扰，产生不可预测
基于Kalman预测器的CT多特征加权目标跟踪算法
