关闭

关闭

封号提示

内容

首页 基于主动漂移矫正的运动目标跟踪算法.pdf

基于主动漂移矫正的运动目标跟踪算法.pdf

基于主动漂移矫正的运动目标跟踪算法.pdf

上传者: wanghao198901 2013-12-08 评分 5 0 154 21 698 暂无简介 简介 举报

简介:本文档为《基于主动漂移矫正的运动目标跟踪算法pdf》,可适用于IT/计算机领域,主题内容包含第XX卷第X期自动化学报VolXX,NoXX年X月ACTAAUTOMATICASINICAMonth,X基于主动漂移矫正的运动目标跟踪算法李宏友汪同符等。

第XX卷第X期自动化学报VolXX,NoXX年X月ACTAAUTOMATICASINICAMonth,X基于主动漂移矫正的运动目标跟踪算法李宏友汪同庆叶俊勇摘要针对传统的图像仿射配准算法(AIA,AffineImageAlignment)无法有效兼顾算法效率和鲁棒性的问题,本文提出了一种快速鲁棒的新仿射配准算法–主动漂移矫正算法(ADC,ActiveDriftCorrection)用于跟踪视频运动目标该算法的基本思想是:通过引入一个漂移矫正项,来改进传统算法的目标能量函数,使算法天然具备抗漂移的能力,从而提高算法的鲁棒性改进后的算法不需要传统算法中为增强鲁棒性而采用的许多复杂措施(典型如,被动漂移矫正)试验结果表明:本文提出的算法简单、有效,在不必牺牲算法效率和复杂度的条件下,可以获得比传统算法更高的鲁棒性关键词运动目标跟踪图像仿射配准算法主动漂移矫正鲁棒性中图分类号TPTrackingMovingTargetUsingActiveDriftCorrectionAlgorithmLiHongYouWANGTongQingYEJunYongAbstractForthetraditionalproblemofnoncompatibilitybetweentherobustnessandtheefficiencyofaffineimagealignmentalgorithm,weproposeanewfastandrobustaffineimagealignmentalgorithmcalledADC(ActiveDriftCorrection)fortrackingthevisualmovingtargetThebasicideaofourmethodis:Byincorporatingadriftcorrectiontermintothetraditionalgoalenergyfunction,thenewalgorithmhasthenaturalabilityofantidrift,whichthen,therefore,canboosttheperformanceofrobustnessManyextratechniques(typicallyaspassivedriftcorrection)intraditionalmethodsforahighrobustnessareunnecessaryinouralgorithmTheexperimentalresultsshowthatouralgorithmissampleandefficientItcanattaintoahigherperformanceofrobustnessthanthetraditionalmethodsbutmakenocompromisewiththecomplexityandrealtimeperformanceofthealgorithmKeywordsMovingtargettracking,affineimagealignmentalgorithm,activedriftcorrection,robustness引言自Lucas和Kanade于年首次提出以来,图像仿射配准算法(AIA)逐渐发展成为计算机视觉领域应用最广的技术之一其应用包括目标跟踪,光流场估计,图像拼接,图像分层,参数化运动估计,医学图像配准,人脸识别等为了满足日益提高的应用需求,研究者们在原始算法思想之上,提出了许多富有创新的改进其中,研究焦点主要集中在算法的鲁棒性和效率两方面效率方面,Dellaert和Collins提出在仿射配准时将当前帧图像和模板图像两者角色进行互换,这样可以有效避免每次迭代过程都要重新计算Hessian矩阵,从而可大大提高算法效率该思想随后被Baker等人,完善推广,发展出高收稿日期收修改稿日期ReceivedSept,inrevisedformNov,重庆大学光电技术及系统教育部重点实验室重庆KeyLabofOptoelectronicTechniqueandSystemofMinistryofEducation,ChongqingUniversityChongqing,ChinaDOI:SPJxxxxx效率的反向合成算法(ICInverseCompositionalalgorithm)尽管如此,由于噪声(由光照变化,目标形变以及遮挡等引起)的引入,目标平面与模板在跟踪过程中几乎不可能单纯地呈仿射对应关系,使得其鲁棒性与原始AIA算法一样受到严峻挑战,具体表现为模板漂移问题Hager与Belhumeur两人提出在仿射配准时只计算真实的目标像素,而阻止噪声、背景等外部像素点(’outliers’)参与配准从而提高了算法鲁棒性该算法的主要不足在于:Hessian矩阵的计算与外部像素划分相关,从而也导致每次迭代均需要重新计算Hessian矩阵,降低了算法效率为此Ishikawa等人提出采用对模板进行“分块”配准的方法,而每一子块的Hessian矩阵均独立采用固定常量值而不必每次迭代都重新计算,从而提高了算法效率然而,问题是分块操作本身也是个复杂问题,而且在跟踪过程中,如何自动确定出每帧模板的外部像素点这一问题依然存在无论是确定外部像素点或者分块,都将导致算法复杂度升高年,内基梅隆大学的Matthews等人提出了一种比较新颖的思想,即从模板更新的角度来考虑AIA算法的鲁棒性问题他们提出在每一帧内对当前模板跟踪完成后,再对原始模板作第二次跟踪(又称矫正跟踪)由于经过两次跟踪,算法的漂移抑制能力的确有较明显的改善但这归根结底是一种类似亡羊补牢的被动措施,不能最有效地发挥漂移矫正思想的作用且该算法存在两大问题:一是,“二次跟踪”显然要消耗相当的时间,大大降低了算法的整体效率其次,二次跟踪原始模板,本质上违背了模板更新的目的,因此在目标形变突出时的跟踪性能依然不尽人意习惯上称其为被动漂移矫正算法(PDCPassiveDriftCorrection)David在其最新的论文中也采用PDC算法来实现目标跟踪该文算法在PDC算法上额外增加了一个类似“阻止外部像素”的过滤函数以及在模板更新时插入一个额外的仿射参数更新步骤尽管这些措施在一定程度上改善了算法的鲁棒性,但遗憾的是该算法并没有试图去从根本上解决PDC存在的两大固有问题相反,其效率较PDC算法反而更低了受Matthews等人思想的启发,本文也利用原始模板的漂移矫正能力来增强AIA算法的鲁棒性,但本文采取的是在原有跟踪过程中同步进行漂移矫正,并不需要额外进行一次矫正跟踪,从而能够在根本上有效地解决PDC算法的两大固有问题由于本文算法在跟踪漂移尚未产生前或产生时,就有意识地对其进行了防范和遏制,因此习惯上称其为主动漂移矫正算法(ADCActiveDriftCorrection)背景知识图像仿射配准算法AIA算法的根本目的是希望模板像素XXX=(x,y)T经过仿射变换W(XXXPPP)后映射在当前图像I中的子图像I(W(XXXPPP))与原始模板间的累计误差最小化,即要求表达式:XXXI(W(XXXPPP))T(XXX)()取得最小值上式中W(XXXPPP)为仿射变换函数:W(XXXPPP)=ppppppxy()PPP=(p,p,p,p,p,p)T为仿射变换参数自动化学报XX卷图PDC算法原理FigFrameworkofthePDCalgorithm易见,AIA算法把对目标像素的跟踪问题间接化为:寻找使表达式()取得最小值的仿射变换参数PPP这一非线性优化问题一般利用最速迭代下降法求解这一优化问题,即在已知PPP当前估计值的前提下,反复迭代累加PPP,确保每次迭代时关于PPP的目标表达式:XXXI(W(XXXPPPP))T(XXX)()最小化,并不断更新PPP的当前估计值,直到迭代收敛为止将()式在PPP=处泰勒展开,并求解其极值条件方程,可得每次迭代P的累加量:PPP=HXXXIWPPPTT(XXX)I(W(XXXPPP))()其中H为Hessian矩阵,H=XXXIWPPPTIWPPP()IC算法和PDC算法从()式中易见,原始AIA算法的Hessian矩阵与I(W(XXXPPP))相关,而仿射参数P是在迭代更新的,从而导致每次迭代都需要重新计算Hessian矩阵,严重影响了算法的效率针对此点,Baker,等人在求解关于()式的最小化问题时,提出了反向合成算法(IC,InverseCompositionalalgorithm)改进后的目标表达式变为:XXXI(W(XXXPPP))T(W(XXXPPP)()对比()()两式可见,IC算法的基本思想是:在迭代求解仿射参数PPP的过程中,将图像区域与模板进行角色置换,即,利用模板T关于PPP仿射变换后的图像T(W(XXXPPP)去匹配原图像中的当前映射区域内的子图像I(W(XXXPPP)),这与()式中两图所扮演的角色刚好相反与()式对应的Hessian矩阵变为:H=XXXTWPPPTTWPPP()可见,改进后IC算法的Hessian矩阵已经不再依赖于仿射变换映射图I(W(XXXPPP)),而反过来只依赖于模板T,因此可以在迭代开始前预先计算,从而极大地提高了算法的效率关于PDC算法,由于它是从模板更新的角度利用原始模板T来实现漂移矫正,因此本质上它更像一种框架设计算法其原理如图所示,图中n表示当前是在第n帧图像内跟踪该算法在AIA算法迭代完成后(即图中“第一次跟踪”结束后),而在模板更新前,以对当前模板T跟踪到的仿射变换参数PPPn作为初始化参数,再对原始模板T作二次跟踪(又称矫正跟踪),获得矫正后的仿射变换参数PPP,并以此参数来更新模板显然,为了达到漂移矫正的目的,PDC算法多消耗了一次跟踪所需的运行时间,极大地损害了整体算法的跟踪效率而且对于每一帧,用于更新模板的图像In(W(XXXPPP))始终是跟踪匹配原始模板T的产物,这在一定程度上违背了实际应用中需要不断更新模板的初衷主动漂移矫正算法(ADC)算法思想研究中我们发现,传统算法及其改进算法的着眼点基本上都是单纯地希望最小化与当前模板的累计平方误差,因此,一旦某一帧的跟踪模板出现噪声则会在后续跟踪中逐渐累加,形成误差累计效应从PDC算法中,我们了解到原始模板T具有漂移矫正的能力,但如前所述PDC所采用的矫正方法本身有严重的缺陷,因此,我们希望找到一种方法,使得原始模板T的漂移矫正功能得到充分的发挥,但又不至于带来如PDC算法那样的反面副作用要实现这一目标,最佳方法莫过于在AIA算法体内直接融入漂移矫正信息,化被动漂移矫正为主动矫正,即:在跟踪漂移产生以前或产生的同时,便利用T来防范或遏制具体地,我们将传统已有的跟踪信息和加入的漂移矫正信息看作是不同的能量成分,由他们构成一个总体能量,通过最小化总能量来同步实现原有的跟踪和漂移矫正,这可被称作“合成目标能量”思想经反复研究和试验,本文提出如下的合成目标能量函数:E=(α)ETαEDC()ET=XXXT(XXX)I(W(XXXPPP))()EDC=XXXT(XXX)I(W(XXXPPP))()α,为漂移矫正系数T表示当前跟踪模板T为初始模板ET是关于当前模板T的目标能量成分,它代表着当前仿射映射区域的子图像I(W(XXXPPP))与当前模板T之间X期尚书林等:《自动化学报》稿件加工样本的差异程度EDC是关于原始模板T(又称矫正模板)的目标能量成分,它反映了I(W(XXXPPP))与T之间的差异程度而总体能量E则有所侧重地反映了I(W(XXXPPP))与当前模板T和矫正模板T各自差异的总差异ADC算法的目的是希望合成目标能量E最小化,即:PPP=argminPPPE()需要特别强调的是,I(W(XXXPPP))具体是指模板像素坐标XXX=(x,y)T经仿射变换后的坐标集合W(XXXPPP)映射在当前帧图像I上的像素集合(取像素值,如灰度值)经过插补运算所得,且插补均按模板尺寸为准因此,I(W(XXXPPP))实质上是与模板尺寸一致的一幅插补图像也因此,无论哪一帧的当前模板尺寸均与原始模板尺寸一样算法推导为了保证算法的效率,本文按照反向合成算法的思想来迭代求解()中的非线性优化问题假定P的当前估计已知,迭代累加PPP进行求解,于是等式()变为如下形式:E=(α)XXXT(W(XXXPPP))I(W(XXXPPP))αXXXT(W(XXXPPP))I(W(XXXPPP))()将E(PPP)在PPP=处进行泰勒展开,近似有:E=(α)XXXT(XXX)I(W(XXXPPP))TWPPPPPPαXXXT(XXX)I(W(XXXPPP))TWPPPPPP()其中,WPPP)为雅可比矩阵再对PPP求导可得:EPPP=(α)XXXTWPPPTT(XXX)I(W(XXXPPP))TWPPPPPPαXXXTWPPPTT(XXX)I(W(XXXPPP))TWPPPPPP()令()式中EPPP=可得:PPP=H{(α)XXXTWPPPTT(XXX)I(W(XXXPPP))αXXXTWPPPTT(XXX)I(W(XXXPPP))}()其中,合成的Hessian矩阵为:H=XXX{(α)TWPPPTTWPPPαTWPPPTTWPPP}()易见,上式中Hessian矩阵只与当前模板T和初始模板T有关,因此可以在迭代开始前预先计算,从而保证了算法的高效率最后,更新仿射变换区域:W(XXXPPP)=W(XXXPPP)W(XXXPPP)()此处,W(XXXPPP)是指模板像素坐标X=(x,y)T经仿射参数PPP变换后的坐标集合,其尺寸与原始模板尺寸一致,即坐标变量X的取值范围为原始模板像素的坐标范围(尺寸范围)算法实现步骤给定当前帧图像In(XXX),原始模板T,当前模板T,以及漂移矫正能量权重系数α,ADC算法可概括为预先计算和迭代计算两个阶段,具体步骤如下:预先计算:分别计算两模板的梯度:T和T计算(XXX)处的雅可比矩阵:WPPP)分别计算两模板的最速下降图像:TWPPP,TWPPP按()式计算Hessian矩阵H迭代计算:将当前帧图像In(XXX),取W(XXXPPP)位置的像素按模板尺寸插补为I(W(XXXPPP)).分别计算误差图像:T(XXX)I(W(XXXPPP)),T(XXX)I(W(XXXPPP)).分别计算累计误差:XXXTWPPPTT(XXX)I(W(XXXPPP))和XXXTWPPPTT(XXX)I(W(XXXPPP)).按()式计算PPP.按()式更新仿射变化区域需要指出的是,出于为第n帧的跟踪做准备,当第n帧跟踪完毕后ADC算法并不需要任何二次跟踪步骤,仅采用最简单的策略更新模板即可,即:Tn(XXX)=I(W(XXXPPP))()目标跟踪试验及分析本文试验均在一台CPU为奔腾G,内存M的PC机上完成,开发平台为Matlab版实验主要采用ADC算法与Matthews等人提出的PDC算法做性能比较的方式进行同时我们还简单讨论了ADC算法中漂移矫正系数的选取问题图给出是在PETS视频序列(第帧)上的测试结果试验以最前端的车辆尾部(初始化为矩形模板)作为目标,跟踪过程一直持续到目标车辆因超车改道消失为止图中左列显示的是被动漂移矫正算法(漂移矫正更新)的运行结果,右列是本文算法的跟踪结果被动漂移矫正尽管在前帧基本能够保证跟踪的稳定性,但是易见,在第帧时跟踪结果已经出现了明显的漂移,帧时漂移加剧,帧时算法已经发散,跟踪彻底失败而本文提出的ADC算法运行结果显示,直到目标超车被遮挡消失前一刻算法都能持续、准确地跟踪到目标值得说明的是,跟踪精度上本文试验只做了定性比较而没有考虑定量分析原因在于实际中几乎不可能获得连续准确的目标像素区域,即使如文献采用手工确定的方法,实际上也只能得出一个定性结果图是在测试序列“PETSDataset”第帧上的试验结果图(d)给出了首帧(第帧)图像及跟踪的初始模板图(a),(b)为算法的效率测试结果从图(a)的运行时间上看,本文提出算法平均所需时间约s,仅为原有算法一半左右图(b)中比较每帧跟踪所需的迭代次数显示,ADC算法也比原有的被动矫正算法节约了近一半的次数这充分表明本文提出的算法不仅有较好的鲁棒性,而且在算法效率上也有出色的表现自动化学报XX卷图定性比较主动漂移矫正算法ADC与被动漂移矫正算法PDCFigQualitativecomparisonbetweenADCandPDC图中子图(c)给出了选取不同的α值时,ADC算法的跟踪测试情况比较方法选用以初始模板T为统一的参照模板,求取每种α值下的跟踪结果与T的RMS(均方根误差)测试结果显示,当α取值,,,时,跟踪结果基本一致,实际观测时他们的跟踪情况也一直比较稳定,没有出现明显漂移而当α取时,得出的RMS明显比其他取值下的结果偏高,实际中也表现出到跟踪后期出现了轻微的漂移特别地当α取时(即不加入任何矫正信息时),得出的RMS异常之大,平均超过,最高达到,远远高于图中显示的所有取值情况,实际观测到的跟踪结果出现了异常严重的漂移,在帧以后跟踪已经彻底失败实验结果表明:加入一定量的漂移矫正信息(α=)能够很明显起到抑制漂移的作用其次,取值不同时,跟踪精度并不完全相等,但一般场合下α有较大的选取范围,于有效跟踪目标而言并不敏感然而,需要指出的是,在目标主要部分发生改变的场合,α的选取范围会缩小,其敏感性会酌情上升比如本次实验中的车头模板(见图左下图),若一个车灯逐渐消失(脱离视场),或者因为转向导致车头部分的小部分车身也需要被跟踪时,在类似这样的目标形变严重的场合,α的敏感性将会有所上升具体上升多少,要视不同的情况而定在目前我们的研究中,一般而言主要依据如下两条原则来选取α:视频序列中噪声越大,则α取值越大目标形变(主要指有目标主要成分发生改变的情况)越小,则α取值越大反之亦然X期尚书林等:《自动化学报》稿件加工样本FrameRuntime(s)(a)FrameNumberofInterations(b)FrameRMSError(c)(d)ADCPDCADCPDCa=a=a=a=a=图算法效率比较及ADC矫正系数的敏感性测试(a)运行时间比较(b)单次跟踪所需的迭代次数比较(c)ADC算法矫正系数敏感性测试(d)测试所用的视频序列首帧图像及初始化模板FigComparingtheefficiencyofADCwithPDCandtestingthesensitivityofthecorrectingcoefficientofADC(a)Comparisonoftheruntimeneededbyeachmethod(b)Comparisonofthenumberofiterationsneededbyeachmethod(c)TestingthesensitivityofthecorrectingcoefficientofADC(d)Firstframeofthesequencesandtheinitializedtemplateforthisexperiment结论本文提出了一种快速鲁棒的新图像仿射配准(AIA)算法,即:主动漂移矫正(ADC)算法该算法有两大主要特点:()主动引入原始模板信息来实现漂移矫正,充分发挥了漂移矫正思想的作用,提高了算法的鲁棒性()由于采用反向合成思想,并且不需要花时间来进行二次跟踪,,因此算法效率非常高最后,本文首次提出并应用了“合成目标能量函数”的思想,这为解决AIA算法的其他问题提供了又一种选择方向下一步研究,我们将尝试采用动态的漂移矫正系数来完善本文提出的主动漂移矫正算法致谢真诚感谢专家耐心细致的评阅,感谢他们详尽指出了本文初稿的许多错误与不足,同时为本文的完善提出了许多建设性的意见和建议ReferencesLucasB,KanadeTAniterativeimageregistrationtechniquewithanapplicationtostereovisionIn:ProceedingofInternationalJointConferenceonArtificialIntelligenceVancouver,Morgan:KaufmannPublishers,–ZHANGPei,WUYafengImprovedinversecompositionalalgorithmandoperatorscomparisonJournalofComputerApplications,,():(inChinese)(张培,吴亚锋一种改进的反向合成算法及其算子比较计算机应用,,():)GDHagerandPNBelhumeurEfficientregiontrackingwithparametricmodelsofgeometryandilluminationIEEETransactionsonPatternAnalysisandMachineIntelligence,,():TIshikawa,IMatthewsandSBakerEfficientimagealignmentwithoutlierrejectionTechnicalReportCMURITR,CarnegieMellonUniversity,RoboticsInstitute,Online,available:http:wwwricmuedupeopleishikawatakahirohtml,Jan,自动化学报XX卷DellaertF,CollinsRFastimagebasedtrackingbyselectivepixelintegrationIn:ProceedingsoftheICCVWorkshoponFrameRateVisionCorfu,Greece:IEEE,SBaker,IMatthewsEquivalenceandefficiencyofimagealignmentalgorithmsInProceedingsoftheIEEEConferenceonComputerVisionandPatternRecognitionKauai:IEEE,SBaker,IMatthewsLucasKanadeYearson:AunifyingframeworkInternationalJournalofComputerVision,,():IMatthews,TIshikawa,SBakerThetemplateupdateproblemIEEETransactionsonPatternAnalysisandMachineIntelligence,,():DavidSchreiberRobusttemplatetrackingwithdriftcorrectionPatternRecognitionLetters,,():李宏友重庆大学光电工程学院博士研究生主要研究方向为计算机视觉,智能系统Email:hyleacom(LIHongYouPhDcandidateatChongqingUniversityHisresearchinterestcoverscomputervisionandintelligentsystem)汪同庆重庆大学光电工程学院教授主要研究方向包括模式识别,计算机视觉,无损检测Email:ocrcqueducn(WANGTongQingProfessoratChongqingUniversityHisresearchinterestcoverspatternrecognition,computervision,NondestructiveTesting)叶俊勇重庆大学光电工程学院副教授主要研究方向包括模式识别,人工智能Email:ygyocrcqueducn(YEJunYongAssociateprofessoratChongqingUniversityHisresearchinterestcoverspatternrecognition,artificialintelligence)

类似资料

该用户的其他资料

OFDM中的峰均比问题(1).doc

OFDM系统中时间、频率同步和峰均比降低问题研究.pdf

Altera FPGA&CPLD设计(基础篇).pdf

谈VHDLVerilog的可综合性以及对初学者的一些建议.pdf

Verilog HDL 华为入门教程.pdf

职业精品

精彩专题

上传我的资料

精选资料

热门资料排行换一换

  • [国外经济管理名着丛书]组织行为…

  • [国外经济管理名着丛书]新美国经…

  • [国外经济管理名着丛书]组织与管…

  • 【发现之旅丛书】53钻石与宝石.…

  • [国外经济管理名着丛书]管理学(…

  • [国外经济管理名着丛书]经理工作…

  • [国外经济管理名着丛书]管理决策…

  • [国外经济管理名着丛书]工业管理…

  • [国外经济管理名着丛书]管理:任…

  • 资料评价:

    / 6
    所需积分:1 立即下载

    意见
    反馈

    返回
    顶部