基于多准则特征融合的自适应跟踪算法

　　0引言

　　实时目标跟踪在视频监控、视觉导航、人机交互、三维重建、车辆自动驾驶系统等众多领域有着广泛的应用[1]。文献[2]提出的均值迁移算法中以颜色为特征实现目标跟踪，但是在光照发生变化，有相似颜色干扰时，跟踪结果往往会出现偏差，甚至丢失目标。

　　近年来，研究者们提出了多种基于多特征融合的跟踪算法。文献[3]提出了一种基于Fisher可分性度量的权值更新机制，通过选择对当前场景区分性较高的特征模型进行跟踪；文献[4]提出了基于不确定性度量的多特征融合跟踪算法，这些方法提高了跟踪准确率但计算复杂度较高。文献[5-6]利用目标与候选目标之间的特征相似度来选择特征。文献[7]利用概率分部可分性自适应地计算特征融合权重。但是当有背景相似物干扰时，这些方法可靠性大大降低。文献[8]首先计算目标与背景直方图的log比率，自动选择区分性较大的特征（用三个颜色通道组合表示）。在文献[9]中，Comaniciu试图将局部背景信息引入，提出了背景加权直方图（BackgroundWeightedHistogram，BWH）算法。但文献[10]证明了Comaniciu的方法并没有引入背景信息，通过仅在目标直方图上引入背景加权的方法正确地使用局部背景信息，实现了纠正背景加权直方图（CorrectedBackgroundWeightedHistogram，CBWH）算法，不仅提高了跟踪的可靠性，而且对目标的初始化相对不敏感。上述跟踪算法通过纳入背景信息和使用多特征融合方式提高了跟踪的准确性，主要不同之处是背景的使用方式和特征融合方式的差异。文献[3-4，7-8]使用局部背景来选择合适特征；文献[9-10]利用背景加强对目标的描述。在文献[3-10]的启发下，本文期望将多特征用于目标跟踪，同时引入局部背景信息，加强目标的多特征描述能力。其特点和优势在于：

　　1）目标描述中加入了局部背景信息。在目标提取时，会引入部分背景，影响跟踪可靠性。利用目标周围的局部背景与目标中部分背景的相似性，使目标点权重高而背景点权重低，减少背景对目标的干扰，因此能更精确地描述目标。

　　2）多准则的多特征融合方式跟踪目标，一方面可以方便利用更多目标信息，另一方面提高特征权重的可靠性。因此，相对于单一特征和单一判定算法，本文算法的跟踪性能更稳定。

　　1背景加权目标多特征描述与相似性度量

　　2.2自适应多准则融合权重计算

　　文献[8]中指出，一种有效的特征使用简单的方法也能达到较好的跟踪效果，但由于背景的不可预知性和场景的复杂性，自适应融合多种特征来实现鲁棒跟踪成为众多研究者的选择，这种方式在粒子滤波中已被广泛使用。均值漂移框架下的多特征融合都是使用单一判定方式，文献[5-6]使用目标模板与候选目标的相似度来计算融合的权重系数。但是如果背景与目标相似度较高，将无法区分较高相似度是来自目标还是背景，很有可能将较小区分度的特征判定为有效的特征。针对这种问题，文献[7-8]通过目标与背景的区分度，来进行特征的选择，认为目标与背景区分度较大的特征是有效特征，易于稳定跟踪，将赋予较高的权值。该种判定方式较好地适应了背景的变化，但是在处理复杂背景时，效果有所下降，特别是当跟踪框偏离目标时，会将目标中的部分当成背景，从而导致错误的判断。

　　结合上述分析，本文将采用多准则判定特征的有效性。当特征与背景区分能力较弱且相似度相对较小时容易造成目标丢失。由此，本文从目标与背景的区分能力和与目标模板的相似度两个方面分析特征在跟踪中的有效性。由式（1）计算候选目标的背景权重，式（8）计算候选目标与目标模板的相似度，该公式是目标在不同场景下特征鉴别能力判断的依据。

　　4实验结果及分析

　　为验证本文算法的有效性，在标准测试视频上将本文算法与文献[5，8，10]中的三种跟踪算法进行了比较，目标初始位置由手动给定。在酷睿双核2.2GHz，2GB内存的计算机上用Matlab与C++混合编程实现。文献中实验按照文中提供的条件进行，本文算法特征点的描述由两部分联合而成：颜色（RGB）直方图16×16×16和36维的梯度直方图[12]。

　　实验1是背景为弱光照条件下的行人跟踪。该视频序列主要受室内灯光和室外自然光的影响，人工光照条件下，使颜色失真且部分背景区域明暗不一，引起场景杂乱，从而使目标与背景特征区分性较低。其次，目标外观与部分背景（柱子及店内的衣物）很相近。如图3所示，当目标与背景中物体相似时，文献[5，10]算法丢失跟踪（556帧），文献[8]算法经过立柱时丢失跟踪（588帧），而本文算法可以很好地持续跟踪。

　　实验2是自然光照下室外场景的行人跟踪。该视频序列主要与背景的颜色相近，同时目标较小，特征不明显易受外界的干扰。如图4所示，视频序列在接近附近的车辆时由于目标与局部背景难以区分导致文献[5]（2360帧）算法和文献[8]（2365帧）算法丢失跟踪，虽然文献[10]算法能持续跟踪，但是跟踪框跳动频繁跟踪性能不稳定，而本文算法可以很好地持续稳定跟踪。

　　5结语

　　通过大量分析前人的优秀研究成果，本文将目标的局部背景信息引入目标描述，减少背景干扰；其次在多特征融合跟踪过程中采用多准则的融合判定方式，有效地提高特征权值计算的准确性；最后嵌入到Meanshift跟踪框架下来进行目标定位跟踪。在不同实验环境下表明：本文算法在背景复杂、光照变化和相似物干扰情况下都能较好地持续稳定跟踪，具有较好的跟踪鲁棒性。

　　参考文献：

　　[1]侯志强，韩崇昭.视觉跟踪技术综述[J].自动化学报，2006，32（4）：603-617.

　　[2]COMANINIUD，MEERP.Meanshift：arobustapproachtowardfeaturespaceanalysis[J].IEEETransactionsonPatternAnalysisandMachineIntelligence，2002，24（5）：603-619.

　　[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（4）：393-399.

　　[4]顾鑫，王海涛，汪凌峰，等.基于不确定性度量的多特征融合跟踪[J].自动化学报，2011，37（5）：551-559.

　　[5]郑玉凤，马秀荣，赵晓琳，等.基于颜色和边缘特征的均值迁移目标跟踪算法[J].光电子·激光，2011，22（8）：1232-1235.

　　[6]刘晴，唐林波，赵保军.基于自适应多特征融合的均值迁移红外目标跟踪[J].电子与信息学报，2012，34（5）：1138-1141.

　　[7]袁广林，薛模根，韩裕生，等.基于自适应多特征融合的meanshift目标跟踪[J].计算机研究与发展，2010，47（9）：1663-1671.

　　[8]COLLINSRT，LIUY，LEORDEANUM.Onlineselectionofdiscriminativetrackingfeatures[J].IEEETransactionsonPatternAnalysisandMachineIntelligence，2005，27（10）：1631-1643.

　　[9]COMANICIUD，RAMESHV，MEERP.Kernelbasedobjecttracking[J].IEEETransactionsonPatternAnalysisandMachineIntelligence，2003，25（5）：564-577.

　　[10]NINGJ，ZHANGL，ZHANGD，etal.Robustmeanshifttrackingwithcorrectedbackgroundweightedhistogram[J].IETComputerVision，2012，6（1）：62-69.

　　[11]WENGSK，KUOCM，TUSK.VideoobjecttrackingusingadaptiveKalmanfilter[J].JournalofVisualCommunicationandImageRepresentation，2006，17（6）：1190-1208.

　　[12]刘海燕，杨昌玉，刘春玲，等.基于梯度特征和颜色特征的运动目标跟踪算法[J].计算机应用，2012，32（5）：1265-1268.