田文龙 石栋宇 王亚茹 王丽娜
山东协和学院 山东 济南 250109
摘要：视觉目标跟踪(Visual Object Tracking, VOT) 是让计算机能够在视频序列中自动确定所需跟踪对象,并给出目标对象的运动轨迹。视觉目标跟踪可用于视频或有连续关联的图像序列中,任意目标的空间位置和形状尺寸的获取。伴随着计算机计算和存贮能力的不断增强,人工智能和深度学习领域的关注度近年来迅速提升,基于深度学习的目标跟踪方法具有较好的发展潜力。
关键词：CPF框架；多特征融合；人工智能；机器视觉
机器视觉是人工智能正在快速发展的一个分支。简单说来，机器视觉就是用机器代替人眼来做测量和判断。机器视觉系统是通过机器视觉产品(即图像摄取装置，分CMOS和CCD两种)将被摄取目标转换成图像信号，传送给专用的图像处理系统，得到被摄目标的形态信息，根据像素分布和亮度、颜色等信息，转变成数字化信号;图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。
一、图像目标及跟踪方法的引出
图像目标主要的两个特征是颜色特征和形状特征,为提高跟踪的准确性和鲁棒性,提出融合图像目标颜色和形状的多特征融合跟踪新方法.采用基于HSV空间的空间颜色概率直方图模型,以及灰度变换后的Hu不变矩模型,分别进行实时目标跟踪,然后采用自适应加权方法,完成图像目标最终跟踪位置的确定.经实验测试,该方法对图像目标受到复杂背景干扰,以及颜色变化,尺度变换以及亮度变化等情况都具有很强的鲁棒性,同时增强跟踪效果,提高了跟踪的有效率.
二、图像目标跟踪关键技术研究
计算机视觉、图像处理和模式识别等领域研究的热点之一，在智能视频监控、人机交互、智能交通、军事制导和机器人导航定位等领域具有广泛的应用。复杂环境下，受光照变化、相似背景、目标形变以及遮挡等因素的影响，对视觉目标进行精确、鲁棒的实时跟踪成为计算机视觉领域公认的难题。
近年来，虽然国内外很多学者对目标跟踪进行了深入研究，提出了许多优秀算法，但仍然有很多关键技术问题没有得到有效解决，因此，设计一个实时性更高、鲁棒性更好的视觉目标跟踪系统，是当前军事和民用领域的迫切需要。 本文在视觉目标跟踪领域经典粒子滤波和均值偏移(Mean Shift)理论的基础上，对基于多特征融合的目标跟踪关键技术进行了系统研究。针对复杂环境下，目标跟踪误差较大、精度较低的难题，提出了基于特征描述能力度量的多特征自适应融合目标跟踪方法，提高了复杂环境下目标跟踪算法的鲁棒性和精确性。
本研究主要内容包括：基于多特征融合目标跟踪框架的构建方案。通过对复杂环境下的目标跟踪问题进行分析，建立了多特征融合目标跟踪的总体框架和通用模型；通过引入特征描述能力度量函数，给出了基于特征描述能力度量的多特征融合策略，为实现不同跟踪算法框架下的多特征融合跟踪奠定了基础。提出了一种基于多特征自适应融合的粒子滤波目标跟踪方法。针对基于单一特征和固定权值多特征目标模型跟踪算法鲁棒性较差的问题，提出一种基于特征可分性和稳定性度量的多特征融合目标跟踪算法。具体而言，在粒子滤波框架下，根据跟踪场景的变化，通过动态计算不同特征对目标和背景的可区分性和稳定性，设置重要性权值并自适应选择区分能力强、稳定性好的特征描述目标，建立多特征融合目标模型。在状态转移过程中，给出了一种基于特征稳定性度量的选择性模板更新策略，并对遮挡进行了有效的处理。
实验结果表明，复杂场景下该方法具有更好的鲁棒性和精确性。
提出了一种尺度和方向自适应的多特征融合Mean Shift目标跟踪方法。经典Mean Shift算法仅使用颜色特征描述目标，缺少目标模型的自适应更新，针对此问题，通过度量特征对目标和背景的区分能力、动态计算特征权值、自适应选择高权值特征建立多特征融合目标模型，推导出了基于多特征融合的Mean Shift目标定位公式。依据特征权值的大小，提出了一种目标模板的异步更新策略，以减轻目标模型的漂移。针对Mean Shift算法使用固定的核函数带宽，对目标尺度变化适应性较差的问题，在Mean Shift算法框架下引入了SIFT特征，使算法对目标模型尺度和方向的变化具有良好的适应性。实验结果证明，在目标姿态、尺度和方向发生较大变化以及遮挡等复杂环境下，所提方法优于同类跟踪算法。提出了一种基于多特征自适应融合的分块目标跟踪方法。针对复杂环境下，基于全局特征模型的目标跟踪算法容易丢失目标的情况，提出了一种基于局部敏感直方图和超像素模型的自适应分块目标跟踪算法。
该算法利用局部敏感直方图特征和自适应分块方法建立目标模型，提取局部敏感直方图的亮度不变特征来抵制光照变化对目标模型的影响；针对局部敏感直方图算法缺少有效的遮挡处理机制，引入基于超像素分割的目标分块划分策略来提高目标的抗遮挡性；通过相对熵和均值聚类度量子块的局部差异置信值和目标背景置信值，建立双权值约束机制来计算不同子块的置信度，选择置信度高的子块在粒子滤波框架下定位目标；给出有效的目标遮挡检测和模型更新策略。通过在Benchmark数据集上的实验表明，所提方法比其他最新算法有更高的正确率和跟踪精度。
三、多级串联特征融合
基于多特征目标跟踪算法的核心就是如何融合多个特征来描述所要跟踪的目标，因此，选择多特征的融合方式显得尤为重要。
该算法的思想是：采用相关粒子滤波框架，滤波的粒子分级融合了目标的不同特征。首先，跟踪过程的第一级滤波：按照粒子滤波的方法用大量粒子模拟目标状态分布st=ft-1(st-1,vt-1), 然后选择色彩特征作为滤波的观测量对每个粒子进行评估，并用相关滤波器训练色彩特征，得到每个粒子的响应图，这时候粒子集已经集中于目标的真实状态附近；接着在上述每个粒子响应图上选取响应值最大位置处作为第二级滤波的粒子分布位置，针对每个粒子，再次选取边缘特征作为观测量进行滤波，并用相关滤波器训练边缘特征，得到每个粒子的响应图，最后从得到的响应图中选取峰值位置，得到的位置即为目标最终预测的位置。相比于已有的相关粒子滤波算法，该文提出的基于相关粒子滤波的多特征融合算法可以更为准确地预测出目标的位置，多个特征的选取可以使跟踪目标更有效地区别于背景以及光照的变化，在面对复杂背景、目标形变和光照变化等多种具有挑战性影响因素的情况下，展现出了更强的鲁棒性。
四、结语
针对视频目标跟踪中遮挡和形变等问题导致单一特征目标跟踪鲁棒性弱的问题，该文提出了基于相关粒子滤波框架下的多特征融合的视频目标跟踪算法。在相关粒子滤波算法框架下，首先对于每个抽样粒子，选取色彩特征作为观测量进行滤波，用相关滤波器训练色彩特征，得到每个粒子的响应图；再从得到的每个粒子响应图上选取响应值最大位置处作为第二次滤波的粒子分布位置，针对每个粒子，再次选取边缘特征作为观测量进行二级滤波，对于每个粒子，用相关滤波器训练边缘特征，得到每个粒子的响应图，最后从得到的响应图中选取峰值位置，得到的位置即为目标最终预测的位置。实验结果表明，相对于现今已有的跟踪算法，该算法显示出了优越的性能，展现出了更强的鲁棒性。
［参考文献］
[1] 张明慧，宋永端，宋宇.基于粒子滤波的多特征融合目标跟踪算法[C]//第三十一届中国控制会议论文集C卷.合肥：中国科学院数学与系统科学研究院的中国自动化学会控制理论专业委员会和中国系统工程学会，2012:1201-1206.
[2] 忻亦敏，黄昶.视觉跟踪算法综述[J].信息通信，2019(1):169-171.
[3] 昝孟恩，周航，韩丹，等.粒子滤波目标跟踪算法综述[J].计算机工程与应用，2019,55(5):8-17.
[4] 张汝佳,杨小军,王海.多特征融合相关粒子滤波器视频目标跟踪算法[J].计算机技术与发展,2021,31(06):29-34.