特征融合的尺度自适应相关滤波跟踪算法 下载: 1047次
1 引言
目标跟踪一般指在给定目标初始位置状态的条件下,在视频或图像序列中检测目标位置状态的过程。目标跟踪作为机器视觉领域的重要分支,近年来发展迅猛,在众多领域都有着广泛的应用,如在**领域中应用于导弹精确制导定位、海空域可疑目标监控等,在民用领域中应用于智能机器人、家宅视频监控等。通常目标在视频或图像序列中存在着外观变形、尺度变化、光照变化、快速旋转运动、背景相似干扰和视野丢失等现象[1-2],这些现象的存在给目标准确跟踪带来了很大的困难,甚至会导致跟踪失败,是目前目标跟踪领域亟待解决的问题。研究人员针对各种现象与问题提出的跟踪方法层出不穷,但目前尚未出现通用解决方法,总体而言这些方法可以分为两大类:生成类方法[3-4]和判别类方法[5-6]。生成类方法一般对前一视频帧的目标区域进行建模,在当前帧查找与模型最相似的区域即目标位置;判别类方法一般从前一视频帧的目标区域与背景区域中提取正负训练样本,用机器学习的方法训练一个目标分类器,在当前帧用训练好的分类器检测目标位置。
基于相关滤波(CF)的跟踪方法属于判别类方法[7-11],CF方法以其良好的跟踪性能和极高的计算效率,成为近年来目标跟踪领域除深度学习方法外最大的研究热点。CF方法一般在跟踪过程中利用从前一帧采集的训练数据集训练分类器,利用分类器去检测目标在当前帧的位置,之后更新训练数据集为当前帧采集的数据集,进而更新分类器。Bolme等[7]将相关滤波用于目标跟踪,提出了误差最小平方和滤波(MOSSE)算法,利用图像灰度特征对分类器进行训练和目标检测;Henriques等[8-9]引入核函数改进MOSSE算法,提出了循环结构核(CSK)算法和基于CSK算法改进的核相关滤波(KCF)算法,其中KCF算法使用多通道方向梯度直方图(HOG)特征替代灰度特征,跟踪精度得到显著提高;Danelljan等[10]基于英语语境中常用的颜色名称将颜色分为11类,利用多通道颜色名(CN)特征去扩展CSK算法,提取了CN跟踪算法,也取得了不错的效果;Danelljan等[11]通过引入目标位置与尺度滤波器实现目标尺度自适应变化,在目标尺度变化跟踪问题上取得了一定的成果。上述研究表明图像特征的选择对跟踪算法的性能影响巨大,然而这些方法仅利用图像的单一特征,利用单一特征解决跟踪问题时,当目标外观表现变化时容易积累模型误差,进而影响跟踪的稳健性,并且这些方法在跟踪过程中没有有效解决目标尺度变化的问题。
针对上述问题,本文在KCF算法框架的基础上,提出了一种基于融合颜色特征的尺度自适应相关滤波跟踪方法。首先在提取到图像HOG特征的基础上融合Lab颜色空间下的颜色特征,然后训练相关滤波分类器并用训练完成的分类器对每一帧的目标位置进行预测,最后利用Lab颜色特征构建目标尺度模型,实时更新目标尺度,进而实现目标尺度自适应跟踪。实验选取文献[ 1]中公开的彩色视频序列数据集对算法进行实验验证,并将本文算法与近年来出现的其他主流跟踪方法进行对比。结果表明,本文算法对彩色视频序列的平均跟踪精度优于其他方法,并能有效自适应目标尺度变化,其平均跟踪速度达到了76 frame·s-1。
2 特征融合的尺度自适应跟踪
2.1 KCF跟踪算法
KCF跟踪算法首先在前一帧图像中以跟踪所得目标中心位置及其扩展一定范围大小的窗口经循环移位采集训练图像[9],若采集得到的训练图像块为
式中:
利用循环矩阵的性质以及离散傅里叶变换,求得最优解
式中F和F-1表示离散傅里叶变换和离散傅里叶逆变换。
KCF跟踪所采用的核为高斯核,高斯核函数为
式中:
式中☉表示元素点积。
KCF算法的跟踪过程就是根据上一帧分类器训练的结果,在当前帧以相同大小窗口截取图像块
式中:
2.2 融合Lab颜色特征与HOG特征
对于提取图像多通道特征作为输入的情况,
式中:
根据(6)式,在HOG特征的基础上引入了Lab颜色特征。同最常见的RGB颜色空间不同,Lab颜色空间既不依赖光线,也不依赖颜料,它是国际照明委员(CIE)组织确定的一个颜色空间,理论上能描述自然界的所有色彩。Lab颜色空间3通道分量中
式中:
HOG特征是机器视觉领域最常用的图像特征之一,它将图像划分为较小的局部细胞元,通过在每一个细胞元上提取梯度信息,绘制梯度方向直方图。图像的几何和光照的变化只会出现在较大的空间领域,因此HOG对这两种形变都能保持良好的不变性,适合应用于图像检测领域。根据文献[ 13],采用31通道HOG特征描述目标。
该算法在基于HOG特征的基础上引入Lab空间下图像的颜色特征,将其与HOG特征融合后得到图像的多通道特征,将该多通道特征作为输入,目标外观在多特征融合下得到更好的描述,经过训练的分类器对目标的检测准确性也得到了提高。如
2.3 目标尺度估计与更新
目标尺度的变化容易导致跟踪漂移现象的产生,KCF算法依赖循环矩阵,每次产生的训练样本以及之后跟踪过程截取的图像块大小都固定不变,因此它对于多尺度变化的目标跟踪效果并不理想。如
图 2. 目标尺度变化。(a) Carscale; (b) David
Fig. 2. Scale change of object. (a) Carscale; (b) David
所提算法通过引入尺度金字塔模型[11,14]并结合Lab颜色直方图特征来估计目标尺度。首先,由前一帧的跟踪结果获取目标的尺度模板:Lab颜色直方图特征模板
如
图 3. 多尺度特征金字塔。(a)目标图像;(b)多尺度图像
Fig. 3. Multi-scale feature pyramid. (a) Object image; (b) multi-scale image
当获得的最优尺寸
式中
3 实验结果与分析
3.1 实验环境与参数设置
实验所用开发平台为MATLAB R2015b,所有实验均在硬件配置为Intel i7-4790 CPU(3.6 GHz)、8 GB内存的计算机上完成。实验中其他参数均使用KCF原作者提供的代码默认参数[9],设置尺度更新阈值
选用最常用的3种指标评价跟踪算法性能:中心位置误差(CLE)、距离精度(DP)和重叠精度(OP)。其中,CLE评价指标指目标中心(
式中∩表示取二者的重叠区域;∪表示取二者的覆盖总区域。根据PASCAL评价指标[15],选择重叠率阈值为0.5,OP指标的数值即跟踪得分
为验证该算法的性能,进行以下3种实验:1)进行不同颜色空间下颜色特征对算法跟踪性能的影响实验,对比研究不同颜色特征的选择对跟踪性能的影响;2)进行该算法与其他4种流行算法DSST(Discriminative Scale Space Tracker)[11]、RPT(Reliable Patch Trackers)[16]、SAMF(Scale Adaptive Kernel Correlation Filter Tracker with Feature Integration)[17]、TGPR(Transfer Learning Based Visual Tracking with Gaussian Processes Regression)[18]以及基准算法KCF[9]的整体性能对比实验,这4种流行方法均在相同配置的计算机上调用作者开源的代码进行实验,最后通过评价标准评价各个算法的优劣性;3)进行该算法与整体性能次好算法的定性、定量对比实验。
3.2 不同颜色特征性能对比
为研究不同颜色空间下的颜色特征对算法跟踪性能的影响,分别在5种不同颜色空间(Lab、RGB、YCbCr、HSV和rg颜色空间)下进行对比实验。分别提取每种颜色空间下的图像颜色特征,将其与HOG特征融合后进行实验,基准方法KCF仅利用图像的灰度特征进行实验。各种颜色特征下的算法跟踪性能如
从
3.3 不同算法性能对比
表 1. 不同颜色空间特征下所提算法与KCF算法的性能对比
Table 1. Comparison of performance of proposed algorithm and KCF algorithm under different color space features
|
表 2. 所提算法与其他算法的跟踪性能对比
Table 2. Comparison of performance of proposed algorithm and other algorithms
|
从
图 5. 不同方法的跟踪结果。(a) Basketball; (b) carscale; (c) David; (d) girl; (e) shaking; (f) singer2
Fig. 5. Tracking results of different approaches. (a) Basketball; (b) carscale; (c) David; (d) girl; (e) shaking; (f) singer2
3.4 不同算法定性、定量对比
图 6. 各个算法DP。(a) Basketball; (b) carscale; (c) David; (d) girl; (e) shaking; (f) singer2
Fig. 6. DP of algorithms. (a) Basketball; (b) carscale; (c) David; (d) girl; (e) shaking; (f) singer2
图 7. 跟踪漂移现象。(a) Lemming; (b) MotorRolling
Fig. 7. Tracking drift phenomenon. (a) Lemming; (b) MotorRolling
表 3. 各个算法的DP
Table 3. DP of different algorithms
|
所提算法虽然对大部分视频序列都有较好的跟踪效果,但依然存在跟踪漂移的现象,如
4 结论
在传统KCF跟踪算法的基础上提出了一种基于融合颜色特征的尺度自适应目标跟踪改进方法。引入Lab颜色空间下的图像颜色特征,将其与HOG特征融合,并利用相关滤波分类器计算输出响应,颜色特征的引入增强了相关滤波分类器对彩色图像序列的跟踪性能;另外,通过引入尺度金字塔模型与Lab颜色特征直方图对目标尺度进行估计和更新,有效地解决了目标尺度变化带来的跟踪问题。实验结果表明,与其他算法相比,所提算法在复杂场景中具有更强的稳健性和更高的跟踪精度,76 frame·s-1的平均跟踪速度也能满足实时性的要求;另外,当目标出现长时间、大范围的遮挡或高速运动现象时,跟踪结果不理想,之后的相关研究可以采取自适应学习策略对算法进行改进。
[1] WuY, LimJ, Yang MH. Online object tracking: a benchmark[C]. 2013 IEEE Conference on Computer Vision and Pattern Recognition, Portland, OR, USA, 2013: 2411- 2418.
[3] 张旭光, 张云, 王艳宁, 等. 基于遗忘因子与卡尔曼滤波的协方差跟踪[J]. 光学学报, 2010, 30(8): 2317-2323.
[5] 刘威, 赵文杰, 李成. 时空上下文学习长时目标跟踪[J]. 光学学报, 2016, 36(1): 0115001.
LiuW, Zhao WJ, LiC. Long-term visual tracking based on spatio-temporal context[J]. Acta Optica Sinica, 2016( 1): 0115001.
[6] 蔡玉柱, 杨德东, 毛宁, 等. 基于自适应卷积特征的目标跟踪算法[J]. 光学学报, 2017, 37(3): 0315002.
[7] Bolme DS, Beveridge JR, Draper BA, et al. Visual object tracking using adaptive correlation filters[C]. 2010 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), San Francisco, CA, USA, 2010: 2544- 2550.
[8] Henriques JF, CaseiroR, MartinsP, et al. Exploiting the circulant structure of tracking-by-detection with kernels[C]∥Fitzgibbon A, Lazebnik S, Perona P, et al. Computer Vision-ECCV 2012. ECCV 2012. Lecture Notes in Computer Science, Berlin, Heidelberg: Springer, 2012, 7575: 715- 720.
[10] DanelljanM, Khan FS, FelsbergM, et al. Adaptive color attributes for real-time visual tracking[C]. 2014 IEEE Conference on Computer Vision and Pattern Recognition, Columbus, OH, USA, 2014: 1090- 1097.
[11] DanelljanM, HägerG, Khan FS, et al.Accurate scale estimation for robust visual tracking[C]∥Proceedings of the British Machine Vision Conference,Guildford: BMVA Press, 2014: 1- 11.
[12] 许莉, 王敏, 温月, . 基于. Lab 颜色空间的运动目标检测[J]. 华中科技大学学报(自然科学版), 2013, 41(s1): 219-222.
Xu L, Wang M, Wen Y. Moving object detection using LAB color space[J]. Journal of Huazhong University of Science and Technology (Natural Science Edition), 2013, 41(s1): 219-222.
[13] 徐玉龙, 王家宝, 李阳, 等. 融合颜色特征的尺度自适应相关跟踪[J]. 计算机应用研究, 2017, 34(3): 945-948.
Xu Y L, Wang J B, Li Y, et al. Scale adaptive correlation tracking combined with color features[J]. Application Research of Computers, 2017, 34(3): 945-948.
[14] 李双双, 赵高鹏, 王建宇. 基于特征融合和尺度自适应的干扰感知目标跟踪[J]. 光学学报, 2017, 37(5): 0515005.
[16] LiY, Zhu JK, Hoi S C H. Reliable patch trackers: robust visual tracking by exploiting reliable patches[C]. 2015 IEEE Conference on Computer Vision and Pattern Recognition, Boston, MA, USA, 2015: 353- 361.
[17] LiY, Zhu JK. A scale adaptive kernel correlation filter tracker with feature integration[C]∥Agapito L, Bronstein M, Rother C. Computer Vision-ECCV 2014 Workshops. ECCV 2014. Lecture Notes in Computer Science, Cham: Springer, 2014, 8926: 254- 265.
[18] GaoJ, LingH, HuW, et al. Transfer learning based visual tracking with Gaussian processes regression[C]∥Fleet D, Pajdla T, Schiele B, et al. Computer Vision-ECCV 2014. ECCV 2014. Lecture Notes in Computer Science, Cham: Springer, 2014, 8691: 188- 203.
Article Outline
李聪, 鹿存跃, 赵珣, 章宝民, 王红雨. 特征融合的尺度自适应相关滤波跟踪算法[J]. 光学学报, 2018, 38(5): 0515001. Cong Li, Cunyue Lu, Xun Zhao, Baomin Zhang, Hongyu Wang. Scale Adaptive Correlation Filtering Tracing Algorithm Based on Feature Fusion[J]. Acta Optica Sinica, 2018, 38(5): 0515001.