试议在线基于HOG及在线多实例学习目标跟踪算法

论文导读：
摘 要： 传统的基于色彩直方图或空间色彩直方图的跟踪算法在跟踪目标出现尺度变化的复杂条件下，因无法显著区分颜色相近的目标和背景，不能得到准确跟踪结果。提出基于HOG及在线多实例学习的目标跟踪算法。此算法采用HOG特征值提取方式，结合在线多实例学习技术，对目标远离场景、平移、旋转、遮挡等情况进行跟踪。实验结果表明，该算法能够对各种复杂情况下的动态目标进行有效跟踪，具有良好的鲁棒性和准确性。
关键词： HOG； 分类器； 在线多实例学习； 目标跟踪
1004?373X（2013）09?0116?05
0 引 言
近年来，目标跟踪技术理论研究取得了较大进展，但针对实际应用环境还存在许多亟待解决的问题，例如在跟踪过程中目标物体本身的平移、旋转以及各种复杂的尺度变化运动，以及噪声干扰、遮挡、光照变化等因素的影响，容易引起目标跟踪过程中目标丢失、跟踪漂移及错误跟踪等问题，严重影响了目标跟踪的准确性和鲁棒性。
颜色直方图是一种较为实用的区域建模方法，而且具有较高的实时性。Nummiaro等使用颜色直方图与粒子滤波相结合进行目标跟踪，通常能够获得准确的跟踪结果，但是在目标尺度变化或者光照突变的情况下往往会出现较大的跟踪偏差。文献将边缘方向直方图和Kalman滤波结合解决光照变化条件下的目标跟踪问题。然而，Kalman滤波受到线性系统以及噪声和后验概率满足高斯型的限制，且由于全局统计直方图没有考虑空间位置信息，所以很容易与背景混淆，导致跟踪失败。 Birchfield 等将空间分布信息与颜色信息相结合，把Spatiograms特征用于目标跟踪[3]。文献[4]提出一种融合了结构信息的粒子滤波和均值偏移跟踪算法，并且较好地将其应用到了实际的跟踪环境中。为了能够适应目标表观的变化，最近研究人员提出许多在线更新目标模板的方法[4?5]，并取得了较好的跟踪效果。但是，上述方法都需要为目标建立一个模板，然后在跟踪过程中学位论文www.7ctime.com
对每一帧搜索与模板最相似的区域，如果模板固定不变，则不能很好地处理目标特征变化的情况；倘若模板变化过快，则很容易使模板的误差随着时间积累，最终丢失目标。
本文在图像HOG特征值的基础上利用在线多实例学习的方法获取图像样本分类器。当样本送入分类器，分类器从中择优挑选，实现目标的精确跟踪。整体设计框图如图1所示。
利用视频首帧图片对跟踪目标进行标记，后续训练样本不用人为标记，对目标离开视场的情况，可在目标重返视场后继续跟踪。目标样本的提取上，将目标邻近位置与跟踪目标极为相似的样本作为目标正样本，而远离目标位置与跟踪目标相差很大的样本作为负样本。由于图像的HOG表示边缘（梯度）的结构特征，可以描述局部形状信息。同时，位置和方向空间的量化一定程度上可以抑制平移和旋转带来的影响，故本文算法利用样本HOG值来预测目标下一帧的位置信息。当样本HOG值送至目标分类器后，目标分类器采用“贪心”准则实现下一帧信息预测值。同时，根据新得到的预测信息及其样本值在线训练下一次评判的分类器，以此循环实现视频目标跟踪。