第３４卷第１期 文章编号：１００６—９３４８（２０１７）Ｏ１—０１９１—０６ 计算机仿真 ２０１７年１月 关于视频图像运动目标跟踪识别仿真研究 曹义亲，程威。黄晓生 （华东交通大学软件学院，江西南昌３３００１３） 摘要：研究视频图像运动目标跟踪识别问题时，目标受纹理、光照变化、遮挡及与目标差异较大的矩形特征不断积累，易导致 跟踪漂移或丢失。大多数跟踪系统通过牺牲跟踪的实时性来提高跟踪的准确性。为了解决上述问题，引入两个随机投影矩 阵提取两类互补的纹理特征和灰度均值特征，利用随机投影矩阵提取的特征构造候选特征池。若候选目标某一区域受遮挡 时．采用未被遮挡区域的矩形特征构造特征池。并选取反应目标特点的矩形特征，去除与目标特征差异较大的矩形特征构 造分类器；然后计算互补特征对样本的分类权值，选权值较大的特征作为寻找目标的下一帧位置；最后根据分类器分类分数 最大所对应的候选区域确定目标的下一帧位置。仿真结果表明：改进方法具有更好的跟踪精度，且计算时间少，对目标纹 理、光照变化和遮挡具有更强的鲁棒性。 关键词：压缩感知；互补特征；分类器；矩形特征；特征池 中图分类号：ＴＰ３０１．６ 文献标识码：Ｂ Ｓｉｍｕｌａｔｉｏｎ Ｒｅｓｅａｒｃｈ ｏｎ Ｔｒａｃｋｉｎｇ ａｎｄ Ｒｅｃｏｇｎｉｔｉｏｎ ｏｆ Ｍｏｖｉｎｇ ０ｂｊｅｃｔｓ ｉｎ Ｖｉｄｅｏ Ｉｍａｇｅｓ ＣＡＯ Ｙｉ－ｑｉｎ，Ｃｈｅｎｇ Ｗｅｉ，ＨＵＡＮＧ Ｘｉａｏ－ｓｈｅｎｇ （Ｓｃｈｏｏｌ ｏｆ Ｓｏｆｔｗａｒｅ，Ｅａｓｔ Ｃｈｉｎａ Ｊｉａｏｔｏｎｇ Ｕｎｉｖｅｒｓｉｔｙ，Ｎａｎｃｈａｎｇ ３３００１３，Ｃｈｉｎａ） ＡＢＳＴＲＡＣＴ：Ｉｎ ｏｒｄｅｒ ｔｏ ｉｍｐｒｏｖｅ ｔｈｅ ａｃｃｕｒａｃｙ ｏｆ ｍｏｖｉｎｇ ｔａｒｇｅｔ ｔｒａｃｋｉｎｇ ｉｎ ｖｉｄｅｏ ｉｍａｇｅ，ｔｗｏ ｒａｎｄｏｍ ｐｒｏｊｅｃｔｉｏｎ ｍａｔｒｉ— ｅｅｓ ａｒｅ ｉｎｔｒｏｄｕｃｅｄ ｔｏ ｅｘｔｒａｃｔ ｔｗｏ ｋｉｎｄｓ ｏｆ ｃｏｍｐｌｅｍｅｎｔａｒｙ ｔｅｘｔｕｒｅ ｆｅａｔｕｒｅｓ ａｎｄ ｇｒａｙ ｍｅａｎ ｆｅａｔｕｒｅ，ａｎｄ ｔｈｅ ｐｒｏｊｅｃｔｉｏｎ ｍａｔｉｒｃｅｓ ａｒｅ ｕｓｅｄ ｔｏ ｅｘｔｒａｃｔ ｔｈｅ ｒｅｃｔａｎｇｌｅ ｆｅａｔｕｒｅ ｔｏ ｃｏｎｓｔｒｕｃｔ ａ ｆｅａｔｕｒｅ ｐｏｏ１．Ｉｆ ｔｈｅ ｃａｎｄｉｄａｔｅ ｏｂｊｅｃｔ ｉｓ ｏｃｃｌｕｄｅｄ，ｔｈｅ ｆｅａｔｕｒｅ ｐｏｏｌ ｉｓ ｃｏｎｓｔｕｃｔｅｄ ｂｙ ｔｈｅ ｒｅｃｔａｎｇｌｒｅ ｆｅａｔｕｒｅ ｏｆ ｔｈｅ ｏｃｃｌｕｄｅｄ ｒｅｇｉｏｎ．Ｔｈｅ ｒｅｃｔａｎｇｌｅ ｆｅａｔｕｒｅ ｉｓ ｕｓｅｄ ｔｏ ｒｅｐｒｅｓｅｎｔ ｔｈｅ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｔａｒｇｅｔ ｉｎ ｔｈｅ ｆｅａｔｕｒｅ ｐｏｏｌ，ａｎｄ ｔｈｅ ｒｅｃｔａｎｇｕｌｒ ｆａｅａｔｕｒｅｓ ｗｉｔｈ ｇｒｅａｔｅｒ ｄｉｆｅｒｅｎｃｅ ｆｒｏｍ ｔｈｅ ｔａｒｇｅｔ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ａｒｅ ｒｅｍｏｖｅｄ．Ｔｈｅｎ ｔｈｅ ｃｏｍｐｌｅｍｅｎｔａｒｙ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｔｈｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｓａｍｐｌｅ ｗｅｉｇｈｔｓ ａｒｅ ｃａｌｃｕ— ｌａｔｅｄ，ｔｈｅ ｓｅｌｅｃｔｅｄ ｌａｒｇｅ ｗｅｉｇｈｔ ｆｅａｔｕｒｅｓ ａｒｅ ｕｓｅｄ ｔｏ ｆｉｎｄ ｔｈｅ ｔａｒｇｅｔ ｉｎ ｎｅｘｔ ｆｒａｍｅ．Ｆｉｎａｌｌｙ，ｔｈｅ ｃｌａｓｓｉｉｆｅｒ ｉｓ ｔａｋｅｎ ｔｏ ｐｒｏｃｅｓｓ ｃａｎｄｉｄａｔｅ ｓａｍｐｌｅｓ ｂｙ Ｂａｙｅｓ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｎｄ ｒｅｓｐｏｎｓｅ ｒｅｓｕｌｔｓ ｔｏ ｔｈｅ ｃｌａｓｓｉｉｆｅｒ ａｒｅ ｔａｋｅｎ ａｓ ｔｒａｃｋｉｎｇ ｒｅｓｕｌｔｓ． Ｔｈｅ ｓｉｍｕｌａｔｉｏｎ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｐｒｏｐｏｓｅｄ ａｌｇｏｒｉｔｈｍ ｈａｓ ｓｍａｌｌ ｃｏｍｐｕｔａｔｉｏｎ ｔｉｍｅ ａｎｄ ｃａｎ ａｃｃｕｒａｔｅｌｙ ｃａｐｔｕｒｅ ｔｈｅ ｔｒａｃｋｉｎｇ ｔａｒｇｅｔ ｉｎ ｔａｒｇｅｔ ｔｅｘｔｕｒｅｓ，ｌｉｇｈｔｉｎｇ ｃｈａｎｇｅ ａｎｄ ｃｏｍｐｌｅｘ ｂａｃｋｇｒｏｕｎｄ ｏｒ ｏｃｃｌｕｓｉｏｎ． ＫＥＹＷＯＲＤＳ：Ｃｏｍｐｒｅｓｓｉｖｅ ｓｅｎｓｉｎｇ；Ｃｏｍｐｌｅｍｅｎｔａｒｙ ｆｅａｔｕｒｅ；Ｃｌａｓｓｉｆｉｅｒ；Ｒｅｃｔａｎｇｌｅ ｆｅａｔｕｒｅ；Ｆｅａｔｕｒｅ ｐｏｏｌ １ 引言 目标跟踪已经广泛应用于智能交通、公共安防和人机交 互等领域，是计算机视觉领域非常活跃的课题之一。在承担 的“基于稀疏表示的多智能体视觉传感器网络车辆检测与跟 踪技术研究”项目中也是一个非常重要的问题。目前比较主 流的跟踪算法有生成跟踪算法［１ 和判别跟踪算法 ，３］。其中 生成跟踪算法对当前帧的样本进行学习．利用学习结果构建 分类器进行分类。但前几帧样本量少，导致跟踪不准确。判 别跟踪算法通过二分类来区分目标和背景，但算法仅用少量 的负样本和一个正样本来更新分类器，易产生漂移现象。 Ｚｈａｎｇ等人将压缩感知＿４］引入到目标跟踪中【５］。该算 法利用随机投影矩阵对原始特征进行提取，并对其压缩得到 新的特征。优点是特征提取速度快，但该算法使用单一的特 征描述目标。在纹理、光照及形状变化剧烈时．易产生目标 基金项目：国家自然科学基金项目（６１３６５００８）；江西省自然科学基金 漂移或丢失现象。文献［６］使用被跟踪目标的正负样本构造 随机投影矩阵，并通过正交匹配算法寻找正样本所对应投影 系数最大的候选位置即为目标位置，但算法构建随机投影矩 阵时仅使用单一的训练样本，导致随机投影矩阵的建立比较 一项目（２０１４２ＢＡＢ２０７０２５）；教育部人文社科项目 （１５ＹＪＡ８６００１３） 收稿１３期：２０１６一Ｏ１—３１修回１３期：２０１６—０３—０６ １９１— 困难。文献［７］对文献［５］进行了改进，提出基于压缩感知 的多特征实时跟踪。该算法采用多特征描述目标，并对不同 的特征分别进行在线更新，提高了跟踪算法鲁棒性，同时增 加了计算量。由于该算法没有考虑到每种特征在跟踪过程 中的贡献不同，可以自适应选择使用。另外，该算法并没有 表１特征模板 对特征进行选择，因此算法的鲁棒性和实时性还可以进一步 提高。文献［８］也是对文献［５］进行了改进，提出基于压缩 感知的多特征加权目标跟踪算法。该算法采用多特征的加 权组合来提高算法的鲁棒性，但分类器使用单一的特征进行 矩形特征的特征值为白色矩形像素和减去黑色矩形像 素和，反应图像的灰度变化情况。 跟踪过程使用简单高效的朴素贝叶斯分类器进行分类 目标和背景。在靠近目标的区域提取正样本。远离目标的区 分类．在目标受遮挡时易产生漂移现象，且算法没有对矩形 特征进行选择，实时性还可以进一步提高。文献［９］提出基 域提取负样本。贝叶斯分类器分类分数最大的作为目标位 置，从而实现目标的跟踪。朴素贝叶斯分类器为 于在线特征选择的实时压缩跟踪算法。该算法利用互补的 随机投影矩阵提取特征，并通过特征置信度度量策略选择置 信度高的特征构造分类器．而用上一帧跟踪结果来在线更新 特征池和分类器。优点是跟踪精度和鲁棒性得到了改善，但 算法在特征选择时需要计算每个特征的置信度导致算法的 复杂度变大。文献［１０］提出结合目标预测位置的压缩跟踪 算法。该算法利用随机投影矩阵对原始多尺度Ｈａａｒ—ｌｉｋｅ特 征进行提取及压缩：然后将样本与Ｍｅａｎ Ｓｈｉｆｔ算法框架下预 测位置的距离权重输入Ｂａｙｅｓ分类器进行背景与目标分 类 ｌ ；最后对参数的更新方式进行优化。算法比一般的跟 踪算法更具有鲁棒性，但该算法的平均运行时间是压缩跟踪 算法５倍。 根据上述情况，改进方法对压缩跟踪算法进行改进。将 互补特征和权值结合来适应纹理和光照的变化；利用随机投 影矩阵提取的矩形特征构造特征池，选择反应目标特点的矩 形特征，去除与目标特征差异较大的矩形特征；对部分遮挡 问题，如候选目标某一区域受遮挡或扭转时，采用未被遮挡 区域的矩形特征构造特征池。不同视频的测试结果表明，改 进方法可有效解决压缩跟踪算法受光照、纹理和遮挡影响的 问题，且运算效率得到了提高，解决了大多数跟踪系统通过 牺牲跟踪的实时性来提高跟踪的准确性的难题。 ２视频图像运动目标的跟踪原理 运动目标跟踪是对采集到的图像序列进行检测、提取、 识别和跟踪＿１ ，”］。按照运动目标的表达和相似性度量，可将 运动目标跟踪算法分为四类：基于区域的跟踪、基于轮廓的 跟踪、基于模型的跟踪和基于特征的跟踪等。 基于特征的跟踪方法用来描述图像的特征主要有边缘 特征、特征点、颜色特征、纹理特征、基于区域的特征和多种 特征的融合等。其中基于区域特征描述目标比较流行。矩 形特征是基于区域的特征中的一种简单特征，该特征通过积 分图来计算从起点开始到各个点所形成的矩形区域像素之 和作为一个数组元素保持，当需要计算时直接索引数组的元 素。不用重新计算这个区域的像素和，且在多种尺度下，使用 相同的时间来计算不同的特征，可提高计算速度。该特征主 要有两矩形特征、三矩形特征和四矩形特征，如表１所示。 一】９２一 Ｙ＝１）ｐ（Ｙ＝１） 日（ ）＝ｌｏｇ 兀ｐ（ Ｉ Ｙ＝Ｏ）ｐ（ｙ＝０） ｉ＝１ Ｙ＝１表示正样本，Ｙ＝０表示负样本。Ｐ（ Ｐ（ ｌ Ｙ＝０）符合高斯分布 ］。 Ｐ（ ｆ Ｉ Ｙ＝１）一Ｎ（ｇ ， ） （２） ｐ（ ｌ Ｙ＝０）一Ｎ（ｇ？， ０ｌ ） 相关参数的更新： 一Ａ ＋（１一Ａ１） 卜￣／Ａ（ ） ＋（１一Ａ）（ 。） ＋Ａ（１一Ａ）（ 一 ） （３） ． ｎｕｍ一１ Ａ表示更新速 ；ｔｚ ＝÷∑ （ｋ＝０１ Ｙ＝１ ）， ＝ √÷∑（厂■—而 丁———————＿ （ ）一 ） 分别表示正样本第ｉ个特征的均 Ｖ ｋ＝Ｏ ｒＹ＝１ 值和标准差。ｈｕｍ为样本个数， 和 的更新类似式（３）。 视频图像运动目标跟踪存在的问题主要是灰度均值特 征对光照变化不敏感。而纹理特征对光照变化比较敏感，易 导致跟踪不稳定或丢失目标问题。当目标受部分遮挡时，该 区域内的特征不再可靠。在后续跟踪中误差的累积，易产生 不准确的跟踪。 跟踪算法的准确性依赖于运动目标的表达和相似性度 量的定义。实时性依赖于匹配搜索策略。 ３ 改进的压缩跟踪算法 针对视频图像运动目标跟踪中存在的问题，改进方法首 先利用随机投影矩阵提取两类互补的纹理特征和灰度均值 特征。在不同情况下，计算及选出分类权值效果较好的互补 特征来提高跟踪的准确性。利用随机投影矩阵提取的矩形 特征构造特征池．选择反应目标特点的矩形特征，去除与目 标特征差异较大的矩形特征构造分类器。减少了与目标差 异较大矩形特征的累积，提高算法的准确性和实时性。 ３．１ 目标特征的提取 特征提取 ＿６ 表达式为： ： （４） ∈Ｒ 为高维信号，Ｒ∈Ｒ （ｋ＜ｎ＜＜ｍ）为满足有 限等距性（ＲＩＰ）的随机投影矩阵 “ ， Ｅ Ｒ 为低维信 号。压缩跟踪算法使用一个非常稀疏的随机投影矩阵Ｒ，其 生成规则为： 遮挡或扭转时，该区域内的特征不再可靠。改进算法采用未 被遮挡区域的矩形特征构造特征池．选择两矩形特征和三矩 形特征来更新分类器，并去除与目标差异较大的矩形特征。 减少了目标在后续跟踪中误差的累积。 １ ０概率 二Ｓ 在计算ｍ Ｘｍ大小子窗口的矩形时，首先应满足（ｓ，ｔ）条 件为 或Ｙ方向边长能被自然数ｓ或ｔ整除：矩形的最小尺寸 （５） 概率１一ｌ Ｓ 为ｓ×ｔ，最大尺寸为ＩＬ Ｊ１． ｓ×ｌＬ ｆ Ｊ１．￡ ，［］为取整运算符。 满足（ｓ，ｔ）条件矩形数为 一１ 概率÷ ＺＳ ｓ为２ ４之间随机选取的整数［５］，ｒ 表示 第ｉ行 ｎ ＝∑∑Ｐ・ｑ ： 列的值。当ｒ 中１和一１同时存在时，大约７ｌ％的特征表现 为目标的纹理特征；当ｒ 中为１或一１，２９％的特征表现为灰 ’ｆ ｌ ｖ１ Ｌ 度均值特征［７］。由于纹理特征在目标纹理或光照变化大的 情况下并不稳定。为了提高跟踪目标的稳定性，采用两个随 机投影矩阵生成互补的纹理特征和灰度均值特征．利用不同 ： ］。［ ］ 【 】・ ［ ］㈣ 特征在不同情况下的稳定性不同使用不同的特征来提高目 标跟踪稳定性。新的特征提取矩阵Ｒ，生成方法是先根据式 ＝ｃ ＋［ 】＋．．． 半】川・ ｃ［孚】＋［ 】＋．．．＋【 ］川 （５）随机生成Ｒ。，再基于 生成Ｒ 。Ｒ：的表达式如下： ｆ Ｉ Ｒ。 Ｉ 。Ｒ。 中同存在１和一１ 通过式（８）计算２４ Ｘ ２４子窗口满足特定条件的所有矩 形特征总数量，利用式（９）来计算矩形特征的减少量，即压 缩跟踪算法的矩形特征总数量减去改进方法矩形特征总数 量。 ＝“ 【（一１） Ｉ Ｒ。ｌ Ｒ。。中只存在１或一１ 其中。ｉ是尺．和 的第ｉ行，ｋ是Ｒ。的第ｉ行中第ｋ个非０值。 由式（６）可看出，两者特征正好互补。 实际特征提取表达式为 ２× ｌ２】＋２ Ｘ ．３］一 ．２】 （９） 茎１ｔ＝ Ｖ』Ｖ ／ｔ 示 ㈩ 经过有效特征筛选后。减少了矩形特征数量．并去除了 与目标差异较大的矩形特征。减少了矩形特征在后续跟踪 过程中累积误差变大导致跟踪不准确的影响．且计算量变 小。 Ｒｅｃｔｓ是候选区域随机选取的图像块，ＮＲ是图像块数。 Ｒ 的值在１与一１之间等概率随机选取。由式（７）可看出 特征为若干矩形特征的加权和．特征生成示意图如图１所 ３．３分类权值的引入 在不同情况下，纹理特征和灰度均值特征的稳定性不 同。为了提高目标跟踪的稳定性，引入分类权值Ｗ．．来评判 每种特征的分类效果，从而选出分类效果较好的特征。权 值 ］ ． 的定义。 ’，『＝∑ Ｓ ｔｐ， ｆｎｔｎｊ ｌ’ ’ｆｐ１ （１０） Ｃ为样本被分类正确的个数，ｓ为样本总个数，ｔｐ．为正样 图１ 特征生成示意图 本被分正确的个数 ，为负样本被分错误的个数。￡ｎ 为正 样本被分错误的个数 为负样本被分正确的个数。式 （１０）可以看出，当权值大时分类效果好，权值／Ｊ，ｆｌ－，Ｊ＇分类效果 ３．２有效特征的筛选 差，从而可以获得分类效果好的特征。 ３．４ 目标跟踪 特征提取压缩后。首先需要构建特征池，在特征池中使 用矩形特征表示目标特性，选择符合目标特性的矩形特征， 并去除与目标差异较大的矩形特征。特征池［５ 的构建通过 随机选择若干个任意位置、任意大小的矩形块像素进行加权 和组合来描述目标｜ｌ 。 由于压缩跟踪算法 ５】没有对矩形特征进行筛选．一些与 目标差异较大的矩形特征在后续跟踪中误差累积的变大使 得跟踪出现漂移或丢失现象。而且当候选目标某一区域受 采用互补的纹理特征和灰度均值特征后再构建朴素贝 叶斯分类器，则朴素贝叶斯准Ｈ（ ）则变为两类互补的特征 的概率相加的结果。如式（１１）所示。 ）＝砉（１０ｇ（ 其中： ）ｏｒｌｏｇ（ 一）） （１１） １９３— Ｐ（ ＿ｌ ｆ ＝１）～／Ｉｖ（ ： ，ｒ，： ） ｐ（ ｔ ＝０）～Ⅳ（ ｏ－．， ｒ １２、 Ｐ（ｚ，２ Ｙ＝１）～／、，（ ， ２Ｉ ） Ｊ（￡ Ｉ）‘＝０）～ ７Ｖ（．ｏ ，一ｆ，２０ ） ¨Ｊ和 ｏ。 分别为Ｒ 得到背景样本的均值与标准差． ．１ 和 ｌＪ分别为Ｒ，得到目标样本的均值与标准差． ，和 ，分刖 ．为Ｒ！得到背景样本的均值与标准差， 和 分别为Ｒ 褂 到目标样本的均值与标准差 相关参数更新方式为 ： 一Ａ ：．＋（１一Ａ，） ｒ，１ １ ！ 一 （１３） 式（１３）不同情况下采用不同的更新速度＾．和Ａ ，更新 速度越快，之前保留的特征利片Ｊ的越少。通过Ｊ 负样本对分 类器参数的更新，以便对下一帧的样本进行有效分类，ＥＩ标 跟踪的稳定性得到了提高。最后根据式（１１）汁算出，，（ ，） 的值，将 （ ）最大所对应的候选区域确定为下一帧目标的 值黄． ．综上所述，改进算法首先根据式（５）和式（６）生成随机 投影矩阵，得到 补的纹理特 和灰度均值特 ：然后分别 计算两类特征的分类权值Ｗ．．．选取分类权值大的特征米，７ 找目标在下一帧的位置；最后根据式（１１）计算ｍ Ｈ（ｖ）的他， 其 ｛１ Ｈ（ｖ）最大所对砬的候选 域确定为目标存下一帧中的 位臀、 ５ 实验结果及分析 实验利用ＭＡ ＦＬＡＢ与ｃ＋＋混合编程方式往ＭＡＴＩ ＡＢ Ｒ２０ｌ２ｂ编程软件实现，计算机硬件配置为ｌｎｔｅｌ Ｃｏｒｅ ｉ３／３． ４０Ｇｔ ｔｚ／２．００ＧＢ内存，视频的分辨率为３２０Ｘ２４０ 算法采川 标准测试视频进行验证，选片Ｊ Ｄａｖｉｄ和Ｌｅｍｎｆｉｎｇ视频序列． 视频序列包含目标的扭转、光照变化、背景十扰和遮挡等跟 踪问题．． 如图２所示为Ｄａｖｉｄ视频序列Ｉｆ】，压缩跟踪算法存光照 和扭转变化不大时的跟踪效果，效果很好 ． 如 ３所示为Ｄａｖｉｄ视频序列中， 缩跟踪算法在光照 和扭转变化较大时，导致纹理发生变化，使得跟踪结果Ｈ｛现 了一定的偏移． ．Ｄａｖｉｄ视频序列中改进方法的跟踪结果如 ４所永 … ４可罱｝ｎ，当Ｆｊ怀受光照、扭转时，跟踪效果较好 １）ａｖｉｄ视频序列跟踪误差肋线女ＪＪ网５所爪．从 ５司‘以 看…文献【５］跟踪误差较大，且不稳定。而改进方法误差较 小，ｆ｝Ｉ埘比较稳定 如同６所示为Ｌｅｎｍｆｉｎｇ视频序列中，压缩跟踪算法 ¨ 标发ｑ三轻微遮挡和复杂背景干扰时的跟踪效粜，从ｒ 可以开 ——１ ９４—— 图４ 改进方法的跟踪结果 目标 ，卜跟踪漂移 象 Ｉ，ｅｎｍ］ｉｎｇ视频序列巾，改进办法的跟踪结粜如罔７所 示 ｄＩ ７【ｆ『见，改进，Ｊ‘法受轻微遮 和复杂背景１Ｉ扰时． 达至Ｕ ｆ 好的跟踪效 、 ｍｍｉｎｇ 频序列 踪氓差｝ｌｆＩ线如 ８ 从 ８可以看 ｍ改进办法的 差比艾献 ５］方法的 芹要小 综Ｉ 所述，改进力‘法 达两个序列的ｌｆ牛能表 都比较稳 定。 ｆ１】扭转变化时，根挑两 特 埘样水的分类权值 结果选抒小同的特 求提高跟踪的准确忡 迎过对矩形 懈 强 制 ｛幡 鞋 制 咖 尊 导 帧号 图５ Ｄａ、ｉ（ｔ跟踪误差曲线图 图８ Ｌｅｍｍｉｎｇ跟踪误差曲线图 表２特征总数量 跟踪算法性能评估的另一个关键指标是实时性。实验 采用文献［１０］的对比方法，表３中列出了不同跟踪算法在４ 个代表性序列中相应的实验结果。其中平均运行时间一栏 用粗体、斜体和下划线分别表示平均运动时问最短、次短和 第ｊ的算法。通过表３分析可知，改进方法提高跟踪准确性 的同时，又保留了跟踪算法的实时性。 表３算法对比 图７改进方法的跟踪结果 （第４５０、４５２、４５４、４５６和４５８帧） ４结论 针对目标受光照、纹理变化和遮挡时，易产生跟踪漂移 或丢失现象。改进方法通过两个随机投影矩阵提取互补的 特征的有效筛选后，减少了计算复杂度。同时也减少了与目 纹理特征和灰度均值特征，并通过随机投影矩阵提取的矩形 标差异较大的矩形特征对后续跟踪的误差累积 当目标受 轻微遮挡和复杂背景干扰时，改进方法通过采用未被遮挡区 特征构建特征池，选择反应目标特点的矩形特征，去除与目 标差异较大的矩形特征；然后引入分类权值以从纹理特征和 域的矩形特征构造特征池。去除了与目标差异较大的矩形 特征来减少后续跟踪误差累积，矫正了不准确的跟踪。 灰度均值特征获得分类效果好的特征寻找目标的下一帧位 置；最后根据分类分数最大所对应的候选区域确定目标的下 一压缩跟踪方法和改进方法在计算２４ｘ２４子窗口时特征 总数量的对比如表２所示。改进方法相比压缩跟踪算法减少 Ｔ ２０７３６个．达１３％ 帧位置。对不同视频序列中的目标跟踪结果表明．改进方 法在目标纹理、光照变化和遮挡时具有更强的鲁棒性。 一ｌ９５— 参考文献： ［１］ｚ Ｗ Ｗａｎｇ，Ｗ Ｄ Ｘｉａｏ，Ｗ Ｔ Ｔａｎ．Ｃｌａｓｓｉｉｆｃａｔｉｏｎ ｉｎ ｎｅｔｗｏｒｋｅｄ ｄａｔａ ｂａｓｅｄ ｏｎ ｔｈｅ ｐｒｏｂａｂｉｌｉｔｙ ｇｅｎｅｒａｔｉｖｅ ｍｏｄｅｌ［Ｊ］．Ｊｏｕｒｎａｌ ｏｔ’Ｃｏｍｐｕｔｅｒ Ｒｅｓｅａｒｃｈ ａｎｄ Ｄｅｖｅｌｏｐｍｅｎｔ．２０１３，１２：２６４２—２６５０． ［１０］ 罗会兰，钟宝康，孔繁胜．结合目标预测位置的压缩跟踪［Ｊ］， 中国图象图形学报，２０１４．１９（６）：８７５—８８５． Ｚ Ｃｈｅｎｇ，Ｙ Ｈａｌ—Ｒｏｎｇ，Ｗ Ｓｕｉ．Ｃｏｍｐｒｅｓｓｉｖｅ ｓｅｎｓｉｎｇ ｂａｓｅｄ ｏｎ ｄｅｔｅｒｍｉｎｉｓｔｉｃ ｓｐａｍｅ Ｔｏｅｐｌｉｔｚ ｍｅａｓｕｒｅｍｅｎｔ ｍａｔｉｃｅｓ ｗｉｒｔｈ ｒｎｄｏｍ ａ［２］ Ｌ Ｊ Ｇｕｏ，Ｊ Ｑ Ｚｈａｏ，Ｚ Ｚ Ｓｈｉ．Ｉｍａｇｅ ｃａｔｅｇｏｒｉｚａｔｉｏｎ ｏｆ ｉｎｔｅｇｒａｔｅｄ ｇｅｎｅｒａｔｉｖｅ ｍｏｄｅｌｓ ａｎｄ ｄｉｓｃｒｉｍｉｎａｔｉｖｅ ｍｅｔｈｏｄｓ［Ｊ］．Ａｃｔａ Ｅｌｅｃｔｏｎｉｒ． Ｃａ Ｓｉｎｉｃａ．２０１０—５：Ｉ１４１—１１４５． ｐｉｔｃｈ［Ｊ］．Ａｅｔａ Ａｕｔｏｍａｔｉｃａ Ｓｉｎｉｃａ，２０１２，３８（８）：１３６２—１３６９． ［１２］ 闫庆森，李临生，徐晓峰，王灿．视频跟踪算法研究综述［Ｊ］． 计算机科学，２０１３。ＳＩ：２０４—２０９． ［３］ Ｋｅ Ｘｉａｏ，Ｓ Ｚ Ｌｉ，Ｄ Ｌ Ｃａｏ．Ｈｉｅｒａｒｃｈｉｃａｌ ｉｍａｇｅ ａｕｔｏｍａｔｉｃ ａｎｎｏｔａ— ｔｉｏｎ ｂａｓｅｄ ｏｎ ｄｉｓｃｒｉｍｉｎａｔｉｖｅ ａｎｄ ｇｅｎｅｒａｔｉｖｅ ｍｏｄｅｌｓ『Ｊ］．Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ ａｎｄ Ａｒｔｉｉｆｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ．２０１ｌ－３：３０５－３１３． （１３］ 卢晓鹏．视频序列中目标跟踪技术研究［Ｄ］．中国科学院研 究生院（电子学研究所），２００７． ［１４］ Ｄ Ａｃｈｌｉｏｐｔａｓ．Ｄａｔａｂａｓｅ－ｆｒｉｅｎｄｌｙ ｒａｎｄｏｍ ｐｒｏｊｅｅｔｉｏｎｓ：Ｊｏｈｎｓｏｎ— ［４］ Ｄ Ｌ Ｄｏｎｏｈｏ．Ｃｏｍｐｒｅｓｓｅｄ ｓｅｎｓｉｎｇ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎ— ｆｏｒｍａｔｉｏｎ Ｔｈｅｏｒｙ．２００６，５２（４）：ｌ２８９—１３０６． Ｌｉｎｄｅｎｓｔｒｎｓａｓ ｗｉｔｈ ｂｉｎａｒｙ ｃｏｉｎｓ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ ｃｏｍｐｕｔｅｒ ａｎｄ Ｓｙｓｔｅｍ Ｓｃｉｅｎｃｅｓ，２００３，６６（４）：６７ｌ－６８７． ［５］ Ｚｈａｎｇ Ｋａｉｈｕａ，Ｚｈａｎｇ Ｌｅｔ，Ｙａｎｇ Ｍｉｎｇ－Ｈｓｕａｎ．Ｒｅａｌ－ｔｉｍｅ ｔｏｍ— ｐｒｅｓｓｉｖｅ ｔｒａｃｋｉｎｇ：Ｅｕｒｏｐｅａｎ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ， ［１５］ Ｐ Ｖｉｏｌａ，Ｍ Ｊ Ｊｏｎｅｓ．Ｒｏｂｕｓｔ ｒｅａｌ—ｔｉｍｅ ｆａｃｅ ｄｅｔｅｃｔｉｏｎ［Ｊ］．Ｉｎｔｅｒ－ ｎａｔｉｏｎａｌ ｊｏｕｒｎａｌ ｏｆ ｃｏｍｐｕｔｅｒ ｖｉｓｉｏｎ，２００４，５７（２）：１３７—１５４． ２０１２［Ｃ］：Ｆｉｒｅｎｚｅ，Ｉｔａｌｙ：Ｓｐｒｉｎｇｅｒ，２０１２：８６４—８７７． ［６］Ｌｉ Ｈａｎｘｉ，Ｓｈｅｎ Ｃｈｕｎｈｕａ，Ｓｈｉ Ｑｉｎｆｅｎｇ．Ｒｅａｌ－ｔｉｍｅ ｖｉｓｕａｌ ｔｒａｃｋｉｎｇ ｕｓｉｎｇ ｃｏｍｐｒｅｓｓｉｖｅ ｓｅｎｓｉｎｇ：Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉ— ［作者简介］ 曹义亲（１９６４一），男（汉族），江西省都昌县人，华东 交通大学软件学院教授，现任华东交通大学院长。 主要研究领域为图像处理、模式识别； ｔｉｏｎ，２０１ｌ［ｃ］．Ｓｐｒｉｎｇｓ，ＵＳＡ：［ｓ．ｎ］，２０１１：１３０５—１３１２． ［７］ 朱秋平，等．基于压缩感知的多特征实时跟踪［Ｊ］．光学精密 工程．２０１３．２１（２）：４３７—４４４． 程识别： 威（１９８７一），男（汉族），河南省开封人，华东交 ［８］ 王松林，项欣光．基于压缩感知的多特征加权目标跟踪算法 ［Ｊ］．计算机应用研究，２０１４，３Ｉ（３）：９２９—９３２． ［９］ 毛征，袁建建，吴珍荣，曲劲松，李红岩．基于在线特征选择的 实时压缩跟踪［Ｊ］．光学精密Ｔ程，２０１４—３：７３０—７３６． 通大学硕士研究生，主要研究领域为图像处理、模式 黄晓生（１９７２一），男（汉族），江西省于都人，华东交通大学副教授 主要研究领域为图像处理。 （上接第１５６页） ［４］ Ａ Ｓｏｒｎｉｏｔｔｉ．Ｅｌｅｃｔｒｏ—Ｍｅｃｈａｎｉｃａｌ Ａｃｔｉｖｅ Ｒｏｌｌ Ｃｏｎｔｒｏｌ：Ａ Ｎｅｗ Ｓｏｌｕ— ｔｉｏｎ ｆｏｒ Ａｃｔｉｖｅ Ｓｕｓｐｅｎｓｉｏｎｓ［Ｒ］．ＳＡＥ Ｔｅｃｈｎｉｃａｌ Ｐａｐｅｒ，２００６． ［１４］ ［１５］ Ｇｈｉｋｅ．Ｃｈｉｎａｒ ａｎｄ Ｔａｅｈｙｕｎ Ｓｈｉｎ）．１４ ｄｅｇｒｅｅ—ｏｆ－ｆｒｅｅｄｏｍ ｖｅｈｉｃｌｅ ｍｏｄｅｌ ｆｏｒ ｒｏｌｌ ｄｙｎａｍｉｃｓ ｓｔｕｄｙ［Ｒ］．ＳＡＥ Ｔｅｃｈｎｉｃａｌ Ｐａｐｅｒ，２００６． Ｈ Ｄｕｇｏｆｆ．Ｐ Ｓ Ｆａｎｃｈｅｒ，Ｌ Ｓｅｇｅ１．Ａｎ Ａｎａｌｙｓｉｓ ｏｆ Ｔｉｒｅ Ｔｒａｃｔｉｏｎ ［５］ 李振．基于主动横向稳定杆的汽车防侧翻控制［Ｊ］．北京汽 车．２０１５．（５）． Ｐｒｏｐｅｒｔｉｅｓ ａｎｄ Ｔｈｅｉｒ Ｉｎｆｌｕｅｎｃｅ ｏｎ Ｖｅｈｉｃｌｅ Ｄｙｎａｍｉｃ Ｐｅｒｏｒｆｎｍｎｃｅ ［６］Ｈｙｏ－Ｊｕｎ Ｋｉｍ．Ｒｏｂｕｓｔ ｒｏｌｌ ｍｏｔｉｏｎ ｃｏｎｔｒｏｌ ｏｆ ａ ｖｅｈｉｃｌｅ ｕｓｉｎｇ ｉｎｔｅ— ［Ｒ］．ＳＡＥ Ｔｅｃｈｎｉｃａｌ Ｐａｐｅｒ，１９７０． ［Ｉ６］ 张立军．张天侠．车辆四轮相关时域随机输入通用模型的研 究［Ｊ］．农业机械学报，２００５，（１２）：２９—３１． ［１７］ 邱亚琴．张向文．电动助力转向系统的滑模控制算法研究 ［Ｊ］．计算机仿真，２０１３，３０（８）：１５９—１６３． 李刚炎．半主动悬架汽车防侧翻控制的研究［Ｊ］．汽 ［１８］ 褚端峰，车工程，２０１２，３４（５）：３９９—４０２． ｇｒａｔｅｄ ｃｏｎｔｏｒｌ ｓｔｒａｔｅｇｙ［Ｊ］．Ｃｏｎｔｏｒｌ Ｅｎｇｉｎｅｅｒｉｎｇ Ｐｒａｃｔｉｃｅ，２０１ ｌ， １９：８２０—８２７． ｆ ７］ 王梦琳，等．基于底盘子系统协同控制的车辆防侧翻性能分析 ［Ｊ］．系统仿真学报，２Ｏ １５，２７（１）：１６３—１７０． ［８］ 段小成，唐新蓬，谭勇．基于模糊ＰＩＤ的车辆侧倾主动控制仿 真研究［Ｊ］．机械与电子，２００７，（４）：５３—５５． ［９］李伟平，等．考虑平顺性的汽车侧倾稳定性控制及优化［Ｊ］． 计算机仿真，２０１５，３２（８）：ｌ８０—１８４． ［作者简介］ 孔振兴（１９９１一），男（汉族），江苏省南京市人．硕士 研究生，主要研究领域为汽车主动安全技术； ［１Ｏ］ 周兵，等．主动悬架与主动横向稳定杆的集成控制［Ｊ］．中国 机械１＿＝程，２０１４，（１４）． ［１１］ Ｙ Ｏｈｔａ，ｅｔ ａ１．Ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ ａｎ Ｅｌｅｃｔｉｒｃ Ａｃｔｉｖｅ Ｓｔａｂｉｌｉｚｅｒ Ｓｙｓ— 皮大伟（１９８３一），男（汉族），江苏省盐城市人，副教 授．硕士研究生导师．主要研究领域为汽车主动安全 技术： ｔｅｍ Ｂａｓｅｄ ｏｎ Ｒｏｂｕｓｔ Ｄｅｓｉｇｎ［Ｒ］．ＳＡＥ Ｔｅｃｈｎｉｃａｌ Ｐａｐｅｒ，２００６． 『ｌ２］ Ｙ Ｍｉｚｕｔａ，Ｍ Ｓｕｚｕｍｕｒａ，Ｓ Ｍａｔｓｕｍｏｔｏ．Ｒｉｄｅ ｃｏｍｆｏｒｔ ｅｎｈａｎｃｅｍｅｎｔ ａｎｄ ｅｎｅｒｇｙ ｅｆｉｆｃｉｅｎｃｙ ｕｓｉｎｇ ｅｌｅｃｔｉｒｃ ａｃｔｉｖｅ ｓｔａｂｉｌｉｓｅｒ ｓｙｓｔｅｍ［Ｊ］． Ｖｅｈｉｃｌｅ Ｓｙｓｔｅｍ Ｄｙｎａｍｉｃｓ：Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｖｅｈｉｃｌｅ Ｍｅ— 王洪亮（１９８４一）：男（汉族），河北省衡水市人，副教授，硕士研究生 导师，主要研究领域为汽车自动变速技术，ＥＰＢ等； ｃｈａｎｉｃｓ＆Ｍｏｂｉｌｉｔｙ，２０１０，４８（１１）：１３０５－１３２３． 陈 山（１９８９一）：男（汉族）。安徽省阜阳市人，硕士研究生，主要研 究领域为汽车主动安全技术。 ［１３］ Ｋ Ｊｅｏｎ。ｅｌ ａ１．Ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ ａｌｌ ｅｌｅｃｔｉｒｃ ａｃｔｉｖｅ ｒｏｌｌ ｃｏｎｔｒｏｌ （ＡＲＣ）ａｌｇｏｒｉｔｈｍ ｆｏｒ ａ ＳＵＶ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎｌａ ｏｆ Ａｕｔｏ— ｍｏｔｉｖｅ Ｔｅｃｈｎｏｌｏｇｙ．２０１２．１３（２）：２４７－２５３． 一ｌ９６一
