視頻運動目標(biāo)的檢測與跟蹤是機器視覺中研究熱點之一，是目標(biāo)識別、行為分析等后續(xù)應(yīng)用的基礎(chǔ)，在社會安全、航空航天等領(lǐng)域中有廣泛的應(yīng)用前景。目標(biāo)跟蹤在學(xué)術(shù)界經(jīng)過了數(shù)十年的研究，發(fā)展出了許多算法，目前較為有效的算法是基于檢測的跟蹤算法。其基本思想是，在跟蹤開始時對目標(biāo)建立一個初始模板，以記錄目標(biāo)的外觀；為了確定目標(biāo)在下一個時刻的位置，利用當(dāng)前的目標(biāo)模板，在前一時刻目標(biāo)位置附近處搜索與目標(biāo)模板相似的區(qū)域，選擇相似度最大的區(qū)域作為這一時刻目標(biāo)的真實位置；跟蹤過程中，由于目標(biāo)的外觀受到各種因素的影響（目標(biāo)變形、姿態(tài)變化、光照、遮擋等）而發(fā)生變化，目標(biāo)模板也進行相應(yīng)的更新，使其能體現(xiàn)出目標(biāo)當(dāng)前的變化。

 

基于這種跟蹤框架的算法都面臨著以下幾個重要的問題。目標(biāo)模板要有較強的表達能力，即目標(biāo)外觀特征表示要強健；該特征應(yīng)具有較高的判別能力以區(qū)分目標(biāo)與背景的差別；同時該特征對于各種影響目標(biāo)外觀的因素有較好的魯棒性，以解決目標(biāo)在跟蹤過程中的外觀變化問題，保證跟蹤的穩(wěn)定性。目標(biāo)模板與候選區(qū)域的相似度計算要具有較高的準(zhǔn)確性，在目標(biāo)與背景較為相似的情況下，要能夠體現(xiàn)出真實目標(biāo)與背景的差別，不能把相似的背景判定為目標(biāo)。目標(biāo)模板要能自適應(yīng)地更新，當(dāng)目標(biāo)的外觀發(fā)生變化，模板也要進行更新，這種更新是自我學(xué)習(xí)的過程，要保留目標(biāo)穩(wěn)定、不變形的特征，去除姿態(tài)、光照、遮擋等帶來的干擾因素。針對這些問題，我們提出了基于受限自適應(yīng)層次化稀疏表示的多目標(biāo)跟蹤算法，該算法的框架圖如下：
 

 

圖 1：算法框架圖

 

該算法利用稀疏表示的能力，結(jié)合分層表達思想，將層次化和稀疏表示（特征）相結(jié)合，有效提高了目標(biāo)的模板的表達能力。在建立模板時，不僅對目標(biāo)建立模板，對背景也建立建模，在判斷候選區(qū)域是否為目標(biāo)時，可以結(jié)合兩個相似度進行判定，分類結(jié)果更準(zhǔn)確。在跟蹤過程中，不斷更新模板時，對目標(biāo)和背景建立模板池，收集一段時間內(nèi)的目標(biāo)和背景特征分布，使得模板池的魯棒性更強。為了保證算法的實時性，有選擇性地對模板進行更新，對當(dāng)前的新目標(biāo)進行判斷，如果和模板池差別很小，則不更新模板；差別非常大說明跟蹤失敗，也不更新；只有在合適的時機才更新模板，即保持模板的穩(wěn)定性，又能減少運算，達到實時性。為了更準(zhǔn)確地度量目標(biāo)和背景之間差異，采用自適應(yīng)權(quán)重調(diào)整方法，將目標(biāo)模板和背景之間不相似的特征賦予較大的權(quán)值，相似的特征賦予較小的權(quán)值，增強目標(biāo)與背景之間的區(qū)分度。通過建立目標(biāo)的時序特征模型，保證目標(biāo)模板的時序連貫性與完整性。

 

算法的主要流程:算法對視頻中多目標(biāo)的狀態(tài)采樣后，結(jié)合時間約束、空間約束對多層稀疏表示特征進行加權(quán)，并通過目標(biāo)基、背景基的更新機制，在標(biāo)準(zhǔn)對沖跟蹤框架判斷后得到目標(biāo)的狀態(tài)（包括大小、方向、位置等）；在目標(biāo)丟失后,結(jié)合稀疏分類器網(wǎng)格粗略檢出目標(biāo)后再次判斷，從而實現(xiàn)復(fù)雜場景下實時的目標(biāo)跟蹤。