基于壓縮感知的矩陣低秩稀疏分解目標跟蹤算法

基于壓縮感知的矩陣低秩稀疏分解目標跟蹤算法

1基于壓縮感知的目標跟蹤跟蹤算法目標跟蹤是計算機視覺領域的一個重要研究方向。對于真實場景的跟蹤算法，為了有效解決復雜場景下目標跟蹤過程中的目標鎖定、光刻變異和快速運動等挑戰(zhàn)，需要進行有效的調查。雖然人們在這方面進行了深入的研究，但復雜場景下的目標跟蹤算法還不成熟。為了解決復雜場景下目標跟蹤的問題，實際上的魯棒跟蹤仍然是一個問題。目標跟蹤是指在連續(xù)的圖像序列中對人們所感興趣的運動目標進行檢測提取,根據(jù)當前幀提取的目標特征進行識別和判斷,預測跟蹤目標的運動狀態(tài).目標外觀模型是實現(xiàn)目標魯棒跟蹤的關鍵要素.近年來,基于壓縮感知的目標外觀模型構建方法被成功用于目標跟蹤中針對復雜場景下目標跟蹤過程中目標遮擋、光照變化、快速運動等問題,本文將壓縮感知和矩陣低秩稀疏分解結合,提出一種壓縮感知的矩陣低秩稀疏分解目標跟蹤算法.該算法將目標跟蹤看成尋找與目標外觀模型最相似區(qū)域問題,用矩陣低秩稀疏分解代替壓縮感知跟蹤器中的分類器,弱化上述壓縮感知跟蹤器缺點.本文算法通過特征向量壓縮感知獲得壓縮域特征構建候選目標外觀模型,用事先定義好的目標模板字典與每個候選目標外觀模型組成觀測矩陣.利用矩陣低秩稀疏分解得到各個觀測矩陣的稀疏誤差部分,提取各個稀疏誤差部分對應候選目標模板的向量,將這些向量構成誤差矩陣.求解誤差矩陣列向量1-范數(shù)問題,取1-范數(shù)最小列代表的候選目標作為當前幀的目標估計.此外,本文提出一種目標模板字典在線更新方法以適應目標及場景的變化.2基于原始特征的or目標外觀模型壓縮感知的概念由Donoho取s=M/4,M為原始特征向量維度.R是一個非常稀疏的隨機測量矩陣,整個矩陣的計算復雜度為O(cN),c≤4,從而壓縮感知降維公式:其中,原始特征o∈R目標外觀模型指采用目標特征構建外觀模型作為目標觀測.本文采用Haar-like特征的壓縮域特征構建目標外觀模型.Haar-like特征有別于傳統(tǒng)Haar特征,傳統(tǒng)Haar特征的特征模板有白、黑兩種矩形,特征值為白色矩形像素和減去黑色矩形像素和,而本文采用的Haar-like特征只計算矩形內(nèi)像素值之和.本文采用與文獻[1]類似的方法構建特征向量,定義一組矩形框特征{h其中,i和j為矩形框的寬和高,w和h為目標圖像塊的寬和高.樣本與不同尺度矩形框在不同位置卷積生成樣本的原始特征向量:O∈R2.2圖像模型采樣設圖像序列的初始幀為訓練圖像,手動設定跟蹤目標位置,在該位置周圍通過w×h的滑動窗口稠密采樣,w和h是采樣圖像的寬和高,定義采樣范圍D其中,i表示模板數(shù)量,n表示外觀模型維度.通過同樣的方法,采樣獲得候選目標模板集合H={h3用于壓縮的感覺矩陣的低質量稀釋分解目標跟蹤算法3.1基于低級別稀疏分解的目標估計矩陣低秩稀疏分解基于矩陣低秩稀疏分解思想,將跟蹤過程中的目標表示成矩陣,該矩陣具備低秩性.那么對上節(jié)得到觀測矩陣Y其中,Z3.2目標外觀基于快速運行的能力非精確增廣拉格朗日乘子(InexactAugmentedLagrangeMultiplier,IALM)法利用IALM解決RPCA問題,則問題(6)的增廣拉格朗日函數(shù)定義為:其中,Y=sgn(D)/J(sgn(D)),J(D)=max(‖D‖考慮到算法運行時間,每一次迭代求出子問題可以不要求是精確解,只需要得到子問題的近似解便可以使算法最終收斂得到原問題(6)的最優(yōu)化解.這樣便得到一個收斂更快且更簡單的算法,即非精確增廣拉格朗日乘子法.本文利用IALM求解RPCA問題時,取跟蹤過程中隨著時間推移以及目標遮擋、光照變化、快速運動等問題影響,目標外觀模型會發(fā)生顯著變化.為保證跟蹤的魯棒性及準確性,必須對字典在線更新.Lu等人圖1列出了david視頻序列初始字典和第10幀更新后字典,該視頻序列包含目標遮擋、光照變化及快速運動等問題.其中第1幅圖片是初始字典,第2幅圖片是第10幀更新后字典(字典包含12個目標模板).可以看出,字典中約三分之二的模板為新模板,約三分一的模板為舊模板.由此可見,該模板更新策略能很好地適應目標外觀的變化.3.4基于改進特點的目標跟蹤本文提出壓縮感知的矩陣低秩稀疏分解目標跟蹤算法的具體步驟如下:初始化階段:第一幀設置目標位置、初始化目標模板字典D.跟蹤階段:第t幀.1.根據(jù)搜索半徑γ在上一幀跟蹤目標位置周圍采樣獲得候選目標模板集合H={h2.外觀模型X3.用IALM對觀測矩陣Y4.對u個候選目標模板的外觀模型重復2、3操作,將得到的列向量組成誤差矩陣E5.求解E6.字典D在線更新,輸入第t+1幀.4挑戰(zhàn)視頻跟蹤實驗本文算法采用MATLAB和C++實現(xiàn),跟蹤目標用矩形框表示.實驗參數(shù)設置如下:采集目標模板45個、目標模板搜索半徑20像素、候選目標搜索半徑20像素、候選目標樣本數(shù)量50個(Girl為100個).為了驗證本文算法的性能,我們在8個挑戰(zhàn)性視頻上進行跟蹤實驗.這些視頻序列覆蓋了復雜場景下目標跟蹤過程中目標遮擋、快速運動、光照變化等問題.所采用的視頻序列為:david、bird2、blurbody、box、Girl、singer1、faceDccl、Trans,所有視頻序列可以從在線資源上下載4.1實驗結果與分析1.目標遮擋及外觀變化.視頻序列(bird2、box、Girl、david、faceDccl、Trans)包含部分遮擋及外觀變化等問題.bird2序列中跟蹤目標存在長時間部分遮擋及嚴重遮擋,遮擋面積最大可達到跟蹤目標區(qū)域50%以上.該序列還包含目標多次旋轉、目標外觀發(fā)生變化等問題.bird2序列實驗部分結果如下頁圖2(a)所示,第37幀時LOT丟失跟蹤目標,第81幀時目標旋轉造成CT丟失跟蹤目標,bird2序列中本文算法與CSK在視頻全過程中能夠很好地跟蹤目標,本文算法能夠精確跟蹤目標:一方面因為字典更新策略保存較多外觀變化的模板以適應目標外觀發(fā)生重大變化;另一方面因為基于矩陣低秩稀疏分解尋找與字典最相似區(qū)域的目標估計.box序列中包含目標遮擋、尺度變化問題,跟蹤目標存在嚴重遮擋,遮擋面積最大達到跟蹤目標區(qū)域80%以上.實驗部分結果如圖2(b)所示,第315幀時目標出現(xiàn)部分遮擋、尺度變化,LOT、CSK和VR-V丟失跟蹤目標,box序列中本文算法和CT能夠較好地完成目標跟蹤任務.Girl序列中存在相似目標部分遮擋、尺度變化問題,跟蹤目標發(fā)生多次旋轉,造成目標外觀巨大變化.實驗部分結果如圖2(c)所示,與其他算法出現(xiàn)漂移相比,本文算法能夠很好地處理長時間的部分遮擋.david、faceOcc1、Trans三個序列均有部分遮擋及外觀變化問題,實驗部分結果如圖2(d)、(e)、(f)所示.六組實驗結果表明,本文算法基于矩陣低秩稀疏分解的目標估計及字典在線更新的策略,在發(fā)生目標遮擋及外觀變化時具有較好的魯棒性.2.光照變化.視頻序列(david、singer1)顯示了光照明顯變化以及尺度變化(singer1)和姿態(tài)改變(david).david序列中目標明暗程度不斷變化.實驗部分結果如圖2(d)所示,第16幀至第120幀,跟蹤目標從較暗場景到明亮場景.圖2(g)顯示了singer1序列中的目標發(fā)生明顯光照變化,舞臺燈光照射角度的改變造成目標光照變化.兩組實驗結果表明,在發(fā)生光照變化情況下本文算法與CT的跟蹤效果較好.3.快速運動及運動模糊.視頻序列(box、david、blurbody)存在運動模糊,視頻序列(blurbody、bird2)存在快速運動,實驗部分結果如圖2(a)、(b)、(d)、(h)所示.一般來說,目標出現(xiàn)快速運動及運動模糊時跟蹤目標的位置通常難以預測,從4組實驗結果可以看出LOT在出現(xiàn)這些問題時完全丟失目標,CSK在box序列中同樣完全丟失目標.VR-V在blurbody中表現(xiàn)較好,但在box序列中趨向失敗.在box序列中尚能保持住目標的CT,在bird2序列中就完全丟失目標.從實驗結果來看,本文算法在遇到快速運動及運動模糊等問題時顯示了較好的跟蹤性能.4.2定量評估算法性能我們采用中心位置誤差(centerlocationerror)定量評估算法性能.中心位置誤差指跟蹤估計值中心位置與真實值的相對誤差,該值越小跟蹤性能越好.跟蹤目標發(fā)生尺度變化、旋轉等問題時中心位置誤差不能很好評估算法性能,因此采用跟蹤重疊率(pascalscore)對算法性能進行定量評估.根據(jù)PASCALVOC其中,ROI如表1所示,本文算法在中心位置誤差評價中取得4個第一、2個第二,總平均中心位置誤差最小.表2所示的跟蹤重疊率數(shù)據(jù)中,本文算法取得4個第一、4個第二,總平均跟蹤重疊率達到74.6%.兩組定量數(shù)據(jù)表明,本文算法對于包含目標遮擋、光照變化、快速運動等問題的復雜場景下目標跟蹤具有良好的跟蹤魯棒性.另外,采用每秒運行幀數(shù)定量分析跟蹤的實時性,具體數(shù)據(jù)見表3.如表3所示,本文算法雖然對特征向量有效降維,一定程度降低了矩陣低秩稀疏分解的計算量,但算法實時性只好于LOT,與CSK、CT、VR-V相比實時性較差.5實驗結果與分析本文提出一種壓縮感知的矩陣低秩稀疏分解目標跟蹤算法.該算法利用目標的壓縮域特征構建目標外觀模型,采用IALM求解矩陣低秩稀疏分解,將獲得的候選目標稀疏誤差向量構建誤差矩陣.利用最小1-范數(shù)問題對候選目標集合的誤差矩陣進行處理,選取最小1-范數(shù)代表的候選目標作