CT文章翻译研讨.docx

实时的压缩跟踪 张开华 摘要 由于受姿态变化、关照变化、遮挡以及运动模糊等因素的影响，导致开发一个有效的且高效的外表模型用于目标跟踪是一项具有挑战性的任务。现有的跟踪算法通常采用从最近帧中观察到的样本更新模型。虽然有很多成功的例子，但是，仍然有很多问题需要解决。第一，尽管这些自适应的模型是数据独立的，但是在开始使，算法没有充分的学习数据。第二，联机学习算法通常会遇见跟踪漂移（drift）问题，由于自身学习的问题，一些没有对齐的样本可能被添加到模型中，从而导致模型的性能退化。在这篇文章中，我们提出一个简单但有效且高效的跟踪算法，此算法采用了基于特征的外表模型，这些特征从数据独立的多尺度图像特征空间中选取获得。我们的外表模型采用非自适应的随机投影技术，此技术保持了目标图形特征空间的结构性。采用一个非常稀疏的矩阵有效的为外表模型提取特征。我们采用同样的稀疏矩阵压缩前景和背景的样本。跟踪的任务可以被构造成一个通过朴素贝叶斯分类器进行二分类的问题，此分类器在压缩域内被联机更新。提出的压缩跟踪算法能够实时运行且在一些具有挑战性的序列中进行测试，根据效率、精确性和健壮性评价，结果优越于其他经典的跟踪算法。 1 引言 尽管在一些文献中提出了大量的跟踪算法，由于姿态、光照、遮挡、运动等因素导致目标外形的变化，因此，目标跟踪仍然是一个具有挑战性的问题。一个有效的外表模型是跟踪算法成功的重要基础，在最近几年已经引起人们的广泛注意[1-10]。基于外表模型可以将跟踪算法可以被概括为通用的算法[1,2,6,9,10]和区分的算法[3-5,7,8]两种类型。 通用的跟踪算法学习一个模型来表示目标对象且使用此目标对象在图像区域内进行搜索。Black等[1]学习一个脱机的子空间模型来表示感兴趣对象，实现目标跟踪。IVT[6]算法采用增量的子空间模型来适应目标外形的变化。最近，稀疏表示被用在L1跟踪算法中，其中一个对象由目标和一些模板的稀疏线性融合所构成[10]。然而，这个跟踪器(tracker)的计算复杂性很高，因此，限制了它在实时场景中的应用。Li等[9]进一步拓展了L1算法，他们采用正交匹配追踪算法(orthogonal matching pursuit algorithm)有效的解决了优化问题。尽管有很多成功的在线通用跟踪算法，但是仍然有一些问题需要解决。第一，为了在线学习一个外表模型，需要从连续帧中采集大量的训练样本。因此，开始只有少量的样本，很多跟踪算法常常假设在训练期间目标的外形不会发生改变。然而，如果在开始时，目标的外形发生较大的变化，那么很有可能会发生飘移(drift)问题。第二，当从当前目标位置多重采样时，由于需要适应这些潜在的不匹配样本，通常会导致飘移问题[8]。第三，这些通用的跟踪算法没有采用背景信息，这些背景信息可以提高跟踪的稳定性(stability)和精确性(accuracy)。 为了寻找一个决策边界将目标对象从背景中分离，区分的跟踪算法提出将跟踪问题作为二分类问题。Avidan[3]采用支持向量机分类器拓展了基于光流的目标跟踪算法。Collins等[4]证明了，大部分的在线学习特征都能够从背景中区分目标对象。Grabner等[5]提出一种在线增强算法来选择特征用于跟踪。然而，这些跟踪器(trackers)[3-5]仅仅使用一个正样本(例如，当前的跟踪位置)和少量的负样本来更新分类器。由于采用噪声和潜在的不匹配样本来更新背景模型，常常会导致跟踪飘移问题。Grabner等[7]提出一种在线半监督学习算法来解决飘移问题，他们仅仅在第一帧中标记样本，所有的其他样本都是未标记的。Babenko[8]将多实例学习(multiple instance learning)引入到在线学习跟踪中，在算法中只考虑集合(bags or sets)中的正样本和负样本。最近，文献[11]开发一种半监督学习算法，算法采用带结构化约束的在线分类器来选取正样本和负样本。 在这篇文章中，我们提出一种有效的和高效的跟踪算法，算法使用基于压缩域特征的外表模型。我们压缩跟踪算法的主要组成部分如 REF _Ref388972360 \h 图 1所示。我们的外表模型生成的对象可以采用基于压缩域的特征获得很好的表达。同时，我们的算法也是区分性的算法，我们使用这些特征通过朴素贝叶斯分类器从背景中区分目标对象。在我们的外表模型中，被选取的特征是信息保持的且从基于压缩感知理论[12,13]的多尺度图像特征空间中实现非自适应降维。结果证明，少量的随机产生的线性矩阵能够保持大量的显著信息，且如果信号是像自然图像和声音这样可压缩的信号，那么几乎完全可以重建此信号[12-14]。我们采用一个非常系数的矩阵，此矩阵满足受限等距特性(restricted isometry propert