在城市軌道交通的監(jiān)控中，智能視頻分析技術曾風極一時，然而由于城市軌道交通的監(jiān)控環(huán)境比較復雜，其不僅區(qū)域大、周界長、擁有多站臺多出入及眾多圍欄等相關設備。這種復雜的環(huán)境給智能分析帶來諸多困難，而作為當前新穎的TLD［跟蹤-學習-檢測”（Tracking-Learning-Detection）的縮寫］視覺跟蹤技術能夠解決這些問題。
TLD跟蹤系統(tǒng)最大的特點就在于能對鎖定的目標進行不斷的學習，以獲取目標最新的外觀特征，從而及時完善跟蹤，以達到最佳的狀態(tài)。也就是說，開始時只提供一幀靜止的目標圖像，但隨著目標的不斷運動，系統(tǒng)能持續(xù)不斷地進行探測，獲知目標在角度、距離、景深等方面的改變，并實時識別，經(jīng)過一段時間的學習之后，目標就再也無法躲過。
TLD技術有三部分組成，即跟蹤器、學習過程和檢測器。TLD技術采用跟蹤和檢測相結(jié)合的策略，是一種自適應的、可靠的跟蹤技術。TLD技術中，跟蹤器和檢測器并行運行，二者所產(chǎn)生的結(jié)果都參與學習過程，學習后的模型又反作用于跟蹤器和檢測器，對其進行實時更新，從而保證了即使在目標外觀發(fā)生變化的情況下，也能夠被持續(xù)跟蹤。
跟蹤器
TLD跟蹤器采用重疊塊跟蹤策略，單塊跟蹤使用Lucas-Kanade光流法。TLD在跟蹤前需要指定待跟蹤的目標，由一個矩形框標出。最終整體目標的運動取所有局部塊移動的中值，這種局部跟蹤策略可以解決局部遮擋的問題。
學習過程
TLD的學習過程是建立在在線模型（online model）的基礎上。在線模型是一個大小為15×15的圖像塊的集合，這些圖像塊來自跟蹤器和檢查器所得的結(jié)果，初始的在線模型為起始跟蹤時指定的待跟蹤的目標圖像。
在線模型是一個動態(tài)模型，它隨視頻序列增長或減小。在線模型的發(fā)展有兩個事件來驅(qū)動，分別為增長事件和修剪事件。由于在實際中，來自環(huán)境和目標本身等多因素的影響，使目標的外觀不斷發(fā)生變化，這使得由跟蹤器預測產(chǎn)生的目標圖像會包含更多其它感興趣的因素。如果我們把跟蹤軌跡上所有目標圖像看成一個特征空間，那么隨著視頻序列的推進，由跟蹤器所致的特征空間將不斷增大，這就是所說的增長事件。為了防止增長事件帶來的雜質(zhì)（其他非目標圖像）影響跟蹤效果，采用了與之相對的修剪事件來平衡。修剪事件就是用來去除增長事件所致的雜質(zhì)。由此，兩事件的相互作用促使在線模型一直保持與當前的跟蹤目標相一致。
由增長事件帶來的特征空間的擴張來自于跟蹤器，即從處于跟蹤軌跡上的目標圖像中選擇合適的樣本，并以此來更新在線模型。有三種選擇策略，具體如下。
與起始待跟蹤目標圖像相似的圖像塊，均被加入到在線模型；
如果當前幀的跟蹤目標圖像與前一幀的相似，則將當前的跟蹤結(jié)果圖像加入到在線模型；
TLD智能檢測技術分析
計算跟蹤軌跡上的目標圖像到在線模型間的距離，選擇具有特定模式的目標圖像，即起初目標圖像與在線模型的距離較小，隨之距離逐漸增大，而后距離又恢復成較小狀態(tài)。循環(huán)檢驗是否存在這種模式，并將該模式內(nèi)的目標圖像加入到在線模型。
增長事件的特征選擇方式，保證了在線模型始終緊隨跟蹤目標的最新狀態(tài)，避免因模型更新不實時所導致的跟蹤丟失。其中最后一種選擇策略也是TLD技術的特色之一，它體現(xiàn)了自適應跟蹤的特性。當跟蹤發(fā)生漂移時，跟蹤器會自動適應背景，而不會很突然地轉(zhuǎn)移到跟蹤目標上。
修剪事件假設每幀只有一個目標，當跟蹤器和檢測器都認可目標位置時，剩余的檢測圖像就被認為是錯誤樣本，從在線模型中刪除。
在線模型中的樣本為TLD的學習過程提供了素材。另外，TLD在訓練生成分類器（隨機森林）的過程中，采用了兩種約束：P約束和N約束。P約束規(guī)定與跟蹤軌跡上的目標圖像距離近的圖像塊為正樣本；反之，為負樣本，即為N約束。PN約束降低了分類器的錯誤率，在一定的范圍內(nèi)，其錯誤率趨近于零。
檢測器
TLD技術設計了一個快速、可靠的檢測器，它為跟蹤器提供了必要的支持。當跟蹤器所得的結(jié)果失效時，需要用檢測器的結(jié)果來補充糾正，并且對跟蹤器重新初始化。具體做法如下。
對于每幀同時運行跟蹤器、檢測器，跟蹤器預測出一個目標位置信息，而檢測器則可能檢出多幅圖像；
決定目標的最終位置時，優(yōu)先考慮跟蹤器所得的結(jié)果，即如果跟蹤到的圖像與最初的目標圖像相似度大于某閾值，就接受該跟蹤結(jié)果；否則，將從檢測器的結(jié)果中，選用與最初目標相似度最大的圖像作為跟蹤結(jié)果；
如果為第二步驟中的后者，那么此時更新跟蹤器的最初目標模型，用現(xiàn)選用的跟蹤結(jié)果替換原有的目標模型，同時，刪除以前模型中的樣本，以新樣本重新開始。
檢測器是由在線模型中的樣本經(jīng)訓練學習生成的隨機森林分類器。其選取的特征為區(qū)域的邊緣方向，稱之為2bitBP特征，它具有不受光線干擾的特性。特征通過量化，共有4種可能的編碼。對于給定的區(qū)域，其特征編碼是唯一的。多尺度的特征計算可以采用積分圖像的方法。
將每一個圖形塊都用眾多的2bitBP特征來表示，并把這些特征分成同大小的不同的組，每一組代表了圖像塊外觀的不同表示。用于檢測的分類器采用隨機森林的形式。隨機森林由樹組成，而每棵樹是由一個特征組構造而成。樹的每個特征都作為一個決策結(jié)點。
隨機森林通過增長事件和修剪事件完成在線更新和演化。開始時，每棵樹由最初目標模板的特征組構建，都只有一個“枝”。隨著增長事件對正樣本的選取，隨機森林也不斷加入新的“枝”；修剪事件則相反，它會去掉隨機森林中不用的“枝”。這種實時的檢測器采用掃描窗口的策略：按照位置和尺度掃描輸入幀，對每個子窗口應用分類器判斷是否屬于目標圖像。
TLD技術巧妙地把跟蹤器、檢測器和學習過程結(jié)合在一起，共同實現(xiàn)目標的跟蹤。
轉(zhuǎn)載請注明出處。
相關文章
熱門資訊
精彩導讀
關注我們
