[论文解读] Robust video object tracking using particle filter with likelihood based feature fusion and adaptive template updating

Yi Dai, Bin Liu|arXiv (Cornell University)|Sep 28, 2015

Video Surveillance and Tracking Methods参考文献 7被引用 4

一句话总结

本文提出了一种基于粒子滤波的鲁棒视频目标跟踪方法，结合基于似然的色彩与纹理特征融合机制以及自适应模板更新策略，以应对尺度变化和遮挡问题。该方法整合了自适应高斯混合模型进行背景建模和在线特征加权，显著优于现有基于粒子滤波的跟踪器，在光照变化、背景杂乱及目标形变等复杂场景下表现更优。

ABSTRACT

A robust algorithm solution is proposed for tracking an object in complex video scenes. In this solution, the bootstrap particle filter (PF) is initialized by an object detector, which models the time-evolving background of the video signal by an adaptive Gaussian mixture. The motion of the object is expressed by a Markov model, which defines the state transition prior. The color and texture features are used to represent the object, and a marginal likelihood based feature fusion approach is proposed. A corresponding object template model updating procedure is developed to account for possible scale changes of the object in the tracking process. Experimental results show that our algorithm beats several existing alternatives in tackling challenging scenarios in video tracking tasks.

研究动机与目标

• 解决现有基于粒子滤波的跟踪器在处理存在遮挡、光照变化及目标尺度变化的复杂视频场景时的局限性。
• 通过基于似然的机制融合色彩与纹理特征，自适应地根据特征可靠性加权，提升跟踪鲁棒性。
• 开发一种在线模板更新策略，能够动态适应目标尺度变化与特征分布偏移。
• 集成自适应高斯混合模型用于背景建模与初始目标检测，提升跟踪器的初始化性能与稳定性。

提出的方法

• 使用由自适应高斯混合（GM）模型初始化的Bootstrap粒子滤波器检测并跟踪目标，建模随时间演化的背景动态特性。
• 通过色彩与纹理特征表示目标，各特征的似然值通过其边缘概率分布计算得出。
• 采用基于似然的特征融合策略，根据每帧中特征相对可靠性的变化，自适应地组合色彩与纹理似然值。
• 基于马尔可夫过程与零均值高斯噪声的状态转移模型，用于预测目标在帧间的位置变化。
• 实施自适应模板更新机制，当通过边缘似然值的统计检验检测到特征分布发生突变时，触发模板更新。
• 在遮挡期间采用一步预测进行状态估计，当两种特征均显示突然的分布偏移时，避免模板更新。

实验结果

研究问题

• RQ1 在粒子滤波框架中，如何最优地融合色彩与纹理特征，以提升在不同条件下的跟踪鲁棒性？
• RQ2 何种标准可可靠检测到目标发生显著变化（如遮挡或尺度变化），从而需要触发模板更新？
• RQ3 所提出的基于似然的特征融合机制在跟踪精度上，相较于等权重融合或单特征融合方式有何差异？
• RQ4 自适应模板更新是否能在存在尺度变化与背景杂乱的场景中显著提升性能？
• RQ5 将高斯混合模型用于背景建模，在多大程度上能增强跟踪器的初始化效果与对误报的鲁棒性？

主要发现

• 所提算法在两种测试场景下均显著优于 ALG I、ALG II、ALG III 和 ALG IV 的跟踪精度，尤其在应对光照变化与背景混淆方面表现更优。
• 在案例 I（黑暗隧道中行驶的汽车）中，当汽车尾灯点亮导致色彩特征发生剧烈变化时，该跟踪器仍保持高精度，而 ALG I 因色彩特征退化而失败。
• 在案例 II（直升机穿越树林）中，所提方法成功实现了对目标的部分遮挡与背景混叠情况下的跟踪，而 ALG I 和 ALG III 因将树冠误识别为目标而早期失效。
• 特征融合机制动态调整了色彩与纹理特征的贡献，如图 3 所示的后验概率图所示，在特征分布发生偏移时实现了自适应加权。
• 该算法在每帧上的平均计算时间为 8.632 秒，优于 ALG III（7.797 秒）与 ALG IV（9.255 秒），表明其在精度与效率之间实现了良好平衡。
• 自适应模板更新机制成功应对了尺度变化，如图 2 所示的跟踪框尺寸变化所示，证实其在动态环境中的有效性。