基于粒子滤波与局部全局一致性学习目标跟踪算法.docVIP

基于粒子滤波与局部全局一致性学习目标跟踪算法 　　摘 要：针对目标形变及复杂背景条件下的目标跟踪问题，利用基于图的半监督学习方法，结合粒子滤波，提出一种自适应的目标跟踪算法。该算法利用局部全局一致性学习（LLGC）算法建立代价函数，将当前的候选状态作为未标记样本，以所有样本为顶点建立图，以代价函数的最优解作为当前的状态，从而得到当前帧的目标位置；同时利用跟踪结果对标记样本进行实时更新，以适应目标形变，部分遮挡以及环境光照的变化。实验结果表明，该方法能够很好地处理目标跟踪中常见的遮挡、相似背景干扰等复杂情形，实现对目标的鲁棒跟踪。 　　关键词：目标跟踪；粒子滤波；局部全局一致性学习；半监督学习 　　0 引言 　　视频目标跟踪是机器视觉领域的一个重要分支，被广泛用于军事、交通管制、视频监控、医学图像处理等领域[1]。目标跟踪通常被看作一个搜索与匹配问题，并通过预测缩小搜索范围提高跟踪速度。近年来，将目标跟踪视为一个在线分类问题成为目标跟踪研究的新途径。此类方法寻找能够将目标与背景分离的分类器，适用于背景凌乱的视频，解决了目标变化复杂而很难建模的问题，并且可以实时更新分类器以适应目标外观的变化[2-3]。 　　在基于分类的目标跟踪中，为了应对目标的变化及复杂的背景，需要大量的标记样本，而手动标记样本的成本巨大，有时也不现实。为此可以考虑利用大量未标记样本来辅助训练分类器以提高其性能，这类同时利用标记样本与未标记样本的机器学习方法称作半监督学习。在目标跟踪中，人工标记往往只用于初始的几帧，跟踪算法必须不断地从跟踪结果中学习目标和背景的变化信息，因此基于分类的目标跟踪可以被视作一个半监督学习问题。 　　针对基于分类的目标跟踪问题，国内外已有大量的研究成果，然而许多方法在改善跟踪效果的同时也都有其局限性。文献[4]提出一种基于CoTraining半监督学习框架的目标跟踪方法，该方法融合了两种互相独立的特征信息来描述目标模型，采用CoTraining来协同更新模型，跟踪效果有明显改善；但需要训练多个分类器，这就增加了每帧视频图像的处理时间，影响了算法的跟踪效率，且对于遮挡的问题也没有很好地解决；文献[5]采用半监督selftraining与集成学习的思想，利用Adaboost把多个弱分类器结合成一个强分类器，利用强分类器区分出前景和背景；其缺点在于所用的训练方法很容易产生误差积累，使得分类器精度下降，尤其是当目标有遮挡时会出现跟丢目标的情况。 　　针对以上情形，本文将目标跟踪看作一个直推学习问题，将传统的粒子滤波跟踪算法与半监督学习中基于图的局部全局一致性学习（Learning with Local and Global Consistency， LLGC）方法相结合，以标记样本粒子和未标记样本粒子为顶点建立图，通过LLGC方法使粒子聚集在一些局部最优值处，以这些最优值为基础对目标的状态进行估计，并实时更新标记样本，以适应目标与环境的变化。该方法对目标遮挡、干扰、背景变化复杂等情况具有较好的跟踪效果。通过在多个典型视频中对运动目标进行跟踪，验证了本文算法的有效性。 　　1 基于图的半监督方法 　　基于半监督分类的跟踪方法首先利用已标记的样本来建立初始分类器，用所得分类器对未标记样本进行标记得到目标的置信图，根据置信图确定目标的新位置，如图1所示。可以看出，分类的准确性是影响跟踪效果的关键因素。 　　与其他学习方法相比，基于图的方法更加直观，且具有良好的学习性能。它用一个图G来表示整个数据集，图上的节点表示已标记和未标记数据点，图的加权边表示数据点之间的相似度，权值大的边连接的两个节点具有相同标记的可能性较大。基于图的方法通常假定数据标记在图上是平滑分布的，这类方法本质上是非参数的、判别式的和直推的[6]。 　　1.1 先验一致性假设以及代价函数 　　解决半监督学习问题的关键是先验一致性假设，近似于在图G上求一个分类函数 f，该函数应满足两个条件：1）使相邻的数据点之间很可能具有相同的标记，即函数在局部变化比较缓慢；2）处于同一结构的数据点具有相同标记的可能性较大。第一个假设是局部的，而第二个假设是全局的，根据此假设构造代价函数Q（f），Q（f）=正则项+损失函数，使代价函数最优的解即是所要求的分类函数 f [7]。 　　各种半监督学习方法（如图谱方法、图最小割、图上的随机游走、直推式支持向量机等）解决问题的不同取决于所采用的先验一致性假设，以及所构造的代价函数。 　　1.2 局部全局一致性学习（LLGC）算法 　　基于先验一致性假设，Zhou等[8]在高斯场的启发下于2004年提出局部全局一致性学习（LLGC）算法。其基本思想是根据样例相似性建立图之后，让样例的标记信息不断向图中的邻近样例传播，直到达到全局稳定状态。 　　2 粒子滤波