第４０卷第１期 ２０１７年３月 南京师大学报（自然科学版） ＪＯＵＲＮＡＬ ＯＦ ＮＡＮＪＩＮＧ ＮＯＲＭＡＬ ＵＮＩＶＥＲＳＩＴＹ（Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅ Ｅｄｉｔｉｏｎ） Ｖｏ１．４０ Ｎｏ．１ Ｍａｒ，２０１７ ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００１—４６１６．２０１７．０１．００６ 融合增量主成分分析与粒子滤波的 车辆表观模型跟踪 吴 刚１，２，３，曾晓勤 ，苏守宝 ，王池社 （１．金陵科技学院计算机工程学院，江苏南京２１１１６９） （２．金陵科技学院大数据研究院，江苏南京２１１１６９） （３．河海大学计算机与信息学院，江苏南京２１００９８） ［摘要］ 针对车辆运动方向持续变化、目标车辆距离远近变化、光照强度变化等场景下，稳定且实时性地跟踪 车辆的难点问题，融合自相关矩阵增量主成分分析（Ｉｎｃｒｅｍｅｎｔａｌ Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ，ＩＰＣＡ）增量学习与 粒子滤波算法的基础上，提出一种新的基于表观模型（Ａｐｐｅａｒａｎｃｅ Ｍｏｄｅｌ，ＡＭ）的车辆跟踪方法，从跟踪初始利用 自相关矩阵与特征值分解构建车辆的子空间图像，通过ＩＰＣＡ增量学习后的子空间均值、特征向量基共同参与似 然概率密度的计算，提高粒子滤波算法粒子权值计算的精度．标准视频的跟踪实验表明：对比Ｐ．Ｈａｌｌ—ＩＰＣＡ与 Ｄ．Ｒｏｓｓ—ＩＰＣＡ表观模型跟踪方法，所提ＡＭ—ＩＰＣＡ车辆跟踪方法将跟踪成功率分别由８２．７％～９２．３％、９２．１％～ ９５．２％提升至９５．１％～９６．４％． ［关键词］车辆跟踪，表观模型，自相关矩阵，增量学习，粒子滤波 ［中图分类号］ＴＰ３９１．４［文献标志码］Ａ［文章编号］１００１－４６１６（２０１７）０卜００３３—０６ Ｖｅｈｉｃｌｅ Ａｐｐｅａｒａｎｃｅ Ｍｏｄｅｌ Ｔｒａｃｋｅｒ Ｉｎｔｅｇｒａｔｉｎｇ Ｉｎｃｒｅｍｅｎｔａｌ Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ ａｎｄ Ｐａｒｔｉｃｌｅ Ｆｉｌｔｅｒ ｗｕ Ｇａｎｇ ’。 ，Ｚｅｎｇ Ｘｉａｏｑｉｎ ，Ｓｕ Ｓｈｏｕｂａｏ ，Ｗａｎｇ Ｃｈｉｓｈｅ ， （１．Ｓｃｈｏｏｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ，ＪｉｎＬｉｎｇ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ，Ｎａｎｊｉｎｇ ２１１１６９，Ｃｈｉｎａ） （２．Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｂｉｇ Ｄａｔａ，ＪｉｎＬｉｎｇ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ，Ｎａｎｊｉｎｇ ２１１１６９，Ｃｈｉｎａ） （３．ＣｏＨｅｇｅ ｏｆ Ｃｏｍｐｕｔｅｒ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ，Ｈｏｈａｉ Ｕｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ ２１００９８，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ａｉｍｉｎｇ ａｔ ｔｈｅ ｄｉｉｃｕｌｔｆｉｅｓ ｏｎ ｓｔａｂｌｙ ａｎｄ ｔｉｍｅｌｙ ｔｒａｃｋｉｎｇ ｖｅｈｉｃｌｅ ｏｎ ｔｈｅ ｓｃｅｎｅｓ ｓｕｃｈ ａｓ ｖｏｌａｔｉｌｅ ｍｏｖｉｎｇ ｄｉｒｅｃｔｉｏｎ， ｖａｒｙｉｎｇ ｐｏｓｅ ａｎｄ ｄｉｓｔａｎｃｅ，ｉｌｌｕｍｉｎａｔｉｏｎ ｃｈａｎｇｅ，ｅｔｃ．，ｉｎｔｅｇｒａｔｉｎｇ ａｕｔｏｃｏｒｒｅｌａｔｉｏｎ ｍａｔｉｘ，ｉｒｎｃｒｅｍｅｎｔａｌ ｌｅａｒｎｉｎｇ ｏｎ ＩＰＣＡ ａｎｄ ｐａｒｔｉｃｌｅ ｆｉｌｔｅｒ ａｌｇｏｒｉｔｈｍ，ｎｅｗ ｋｉｎｄ ｏｆ ｖｅｈｉｃｌｅ ｔｒａｃｋｉｎｇ ｍｅｔｈｏｄｓ ｕｓｉｎｇ ａｐｐｅａｒａｎｃｅ ｍｏｄｅｌ ｉｓ ｐｒｏｐｏｓｅｄ．Ｗｈｅｎ ｂｅｇｉｎｎｉｎｇ ａｔ ｏｒｉｇｉｎａｌ ｔｒａｃｋｉｎｇ ｔｉｍｅ，ｔｈｅ ｐｒｏｐｏｓｅｄ ｍｅｔｈｏｄ ｃａｎ ｔｉｍｅｌｙ ｌｅａｒｎ ｔｈｅ ｃｈａｒａｃｔｅｒｉｓｔｉｃ ｓｕｂｓｐａｃｅ ｉｍａｇｅｓ ｏｆ ｖｅｈｉｃｌｅ，ｕｓｉｎｇ ａｕｔｏｃｏｒ。 ｒｅｌａｔｉｏｎ ｍａｔｉｘ ａｎｄ ｅｉｒｇｅｎ ｖａｌｕｅ ｄｅｃｏｍｐｏｓｉｔｉｏｎ．Ｂａｓｅｄ ｏｎ ＩＰＣＡ ｉｎｃｒｅｍｅｎｔｌ ｌａｅａｒｎｉｎｇ，ｌｉｋｅｌｉｈｏｏｄ ｐｒｏｂａｂｉｌｉｔｙ ｄｅｎｓｉｔｙ ｉｓ ｅｏｍ— ｐｕｔｅｄ ｏｎ ｓｕｂｓｐａｃｅ ｍｅａｎ ａｎｄ ｅｉｇｅｎｖｅｅｔｏｒ，ｉｎｃｒｅａｓｉｎｇ ｃｏｍｐｕｔａｔｉｏｎａｌ ｐｒｅｃｉｓｉｏｎ ｏｎ ｗｅｉｇｈｔｓ ｏｆ ｐａｒｔｉｃｌｅｓ ｏｎ ｐａｒｔｉｃｌｅ ｆｉｌｔｅｒ ａｌｇｏ— ｒｉｔｈｍ．Ｔｈｅ ｔｒａｃｋｉｎｇ ｒｅｓｕｌｔｓ ｄｅｍｏｎｓｔｒａｔｅ ｔｈａｔ ｓｕｃｃｅｓｓ ｔｒａｃｋｉｎｇ ｒａｔｅ ｏｆ ｔｈｅ ｐｒｏｐｏｓｅｄ ＡＭ—ＩＰＣＡ ｖｅｈｉｃｌｅ ｔｒａｃｋｉｎｇ ｍｅｔｈｏｄ ｉｓ ｒａｉｓｅｄ ｔｏ ９５．１％～９６．４％．ｃｏｍｐａｒｅｄ ｗｉｔｈ ８２．７％～９２．３％ｏｆ Ｐ．Ｈａｌｌ—ＩＰＣＡ ａｎｄ ９２．１％～９５．２％ｏｆ Ｄ．Ｒｏｓｓ—ＩＰＣＡ ａｐｐｅａｒ－ ｎｅｅ ｍｏｄｅｌ ｔｒａａｃｋｉｎｇ ｍｅｔｈｏｄ． Ｋｅｙ ｗｏｒｄｓ：ｖｅｈｉｃｌｅ ｔｒａｃｋｉｎｇ，ａｐｐｅａｒａｎｃｅ ｍｏｄｅｌ，ａｕｔｏｃｏｒｒｅｌａｔｉｏｎ ｍａｔｒｉｘ，ｉｎｃｒｅｍｅｎｔｌ ｌａｅａｒｎｉｎｇ，ｐａｒｔｉｃｌｅ ｆｉｌｔｅｒ 目前基于图像的车辆跟踪方法中，多数方法在跟踪过程中存储或尽可能地保留目标车辆所有的相关 图像数据．由于受算法复杂度与设备存储容量的限制，在实验室仿真平台上这类跟踪方法虽然可以达到 收稿日期：２０１６－０８－２０． 基金项目：金陵科技学院高层次人才科研启动项目（ｊｉｔ—ｒｃｙｊ一２０１５０８）、国家自然科学基金项目（６１３￣５１２１）、国家自然科学基金项目 （６１３０５０１１）、南京市经信委项目（交通大数据公共服务平台）、南京市科委重大项目（大数据驱动下的大型客运枢纽监控预警 与应急处置）． 通讯联系人：吴刚，博士，副教授，研究方向：机器学习与智能系统．Ｅ—ｍａｉｌ：ｚｄｈｘｗｇ＠ｊｉｔ．ｅｄｕ．ｃｎ 一３３— 南京师大学报（自然科学版） 第４０卷第１期（２０１７年） 较高的跟踪精度，然而在实际车辆跟踪过程中，出于对跟踪实时性与硬件存储容量限制的考虑，这是不切 实际的一类跟踪方法．基于子空间符号的目标跟踪具备以下优点：１）并非将目标图像看作一组互不相关 像素的集合，低维的特征子空间可以简洁且紧凑地表达待跟踪目标；２）针对目标的特征量进行持续的学 习与更新，可以反映出跟踪过程中内在与外在因素引起的车辆表观变化…．文献［２］提出通过选择多特征 融合和自适应粒子数量的方法来保证跟踪的持续稳定性，该方法可以自适应地调整每个特征的权值来适 应环境的变化，该算法在一定程度上解决了目标旋转、遮挡以及背景混淆等情况下的跟踪问题，主要存在 的问题在于粒子数量需达到一定程度才能保证算法的实时跟踪性能．文献［３］采用方向预测的ＣａｍＳｈｉｆｔ 跟踪算法以提高运动跟踪的成功率，通过使用运动估计与自适应搜索机制以提高目标中心附近的区域搜 索，该方法可以提高目标运动方向发生变化时的跟踪成功率，存在的主要问题是需依赖ＣａｍＳｈｉｆｔ算法保证 运动目标跟踪的性能，而ＣａｍＳｈｉｆｔ算法在目标受到遮挡情况下会出现跟丢目标的现象．车辆跟踪过程中， 由于实际场景中存在随机噪声与光照强度的变化，现有的车辆表观模型跟踪算法尽管在设计上采用合理 的预测机制或跟踪特征，仍不能有效地跟踪住预定目标车辆，例如文献［４］提出一种基于支持向量机的目 标跟踪表观模型，将包括目标与背景在内的空间信息分解为子区域，然后针对每一个子区域信息构建目标 跟踪子模型，再集成各个子模型以构建最终的目标表观跟踪模型，该方法可以解决目标部分遮挡下的跟踪 问题． 目前多数跟踪算法在跟踪任务开始之前就已构造好待跟踪目标的区域特征，利用不变的特征应对跟 踪过程中光线、摄像机视角和目标姿态等多种因素造成的区域图像实时变化．针对车辆运动方向的持续 变化、目标车辆距离远近变化、光照强度变化等带来的车辆跟踪难点问题，基于自相关矩阵的增量主成分 分析与粒子滤波算法的基础上，本文提出一种基于表观模型的车辆跟踪方法，不同于先离线训练数据再预 测跟踪的传统跟踪方法，所提跟踪方法不需预先训练车辆图像数据、且不需假定目标车辆的子空间均值图 像固定，在跟踪初始时刻，利用自相关矩阵与特征值分解构建目标车辆的子空间图像，通过ＩＰＣＡ增量学 习目标图像特征子空间信息．所提跟踪方法将代表目标车辆图像的子空间更新与增量学习融合到粒子滤 波跟踪算法中，以解决上述车辆跟踪过程中面临的跟踪难点问题． １ ＡＭ・ＩＰＣＡ车辆表观模型与算法执行流程 １．１车辆表观模型 给定ｔ时刻代表目标车辆的图像 、目标状态变量 ，目标图像跟踪过程也即是在时刻ｔ针对系统状 态变量后验概率的估计计算过程．使用马尔科夫理论与贝叶斯规则，后验概率由回归方程表达 ｊ： ｅ（ｘ １日 ）Ｏｔ Ｐ（ Ｉ ）Ｊ ｅ（ｘ Ｉ ）・Ｐ（Ｘ卜ｌ Ｉ 一。） 卜。． 式中，ｅ（ｘ ｌ 川）为系统状态转移模型， （１） Ｐ（ Ｉ ）为系统观测模型．目标位置由来自视频图像特定区域所提取的相应特征参数决定．为有效 表征目标表观模型，系统状态变量 由６个参数（ ，Ｙ ，０ ，ｓ ，Ｏｔ ，咖 ）组成，６个参数分别指示ｔ时刻目标 中心Ｘ轴方向的坐标位置、目标中心ｌ，轴方向的坐标位置、跟踪窗口旋转角度、跟踪窗口横向尺度大小、 跟踪窗口方向交比和窗口扭曲方向角度．跟踪过程中目标运动的动力学过程由Ｂｒｏｗｎｉａｎ运动建模，因此 系统状态转移模型表达为 Ｊ： Ｐ（置Ｉ置一 ）＝Ⅳ（置； 卜．，缈）． （２） 式中， 为对角协方差矩阵，主对角元素为状态变量 的６个参数的相应方差ｏｒ：，ｒｏ：，ｒｏ；，ｒｏ ，ｒｏ ， ２ ．假定 系统状态转移过程符合高斯分布，参数 描述跟踪窗口的运动期望．式（１）中，Ｐ（Ｈ Ｉ Ｘ ）为最终后验概率 的决定性部分，给定由状态变量 预测的车辆位置所在区域图像 ，似然概率Ｐ（ Ｉ ）用下式表达 ： Ｐ（ Ｉ置）＝Ⅳ（Ｈｔ；／ｘ，ＵＵ ＋占Ｊ）． （３） 式中， 为目标车辆子空间图像均值，Ｊ为单位矩阵，符号 对应于观测过程中附加的高斯噪声， 为ｔ时 刻合并新图像数据后子空间的特征向量．为衡量粒子滤波算法中目标状态向量相应粒子的权值，似然概 率Ｐ（Ｈ Ｉｘ ）也可以表达如下 ： 一３４— 吴刚，等：融合增量主成分分析与粒子滤波的车辆表观模型跟踪 Ｐ（ ＩＸ ）ｃｔｅｘｐ（一 ＿＿（ Ｚ ） （Ｊ一（１＋ ）一 ＵＵ ）・（Ｈ－／ｘ））． ，（４） 式中，ｓ、Ｊ 和 的解释同式（３）． １．２ ＡＭ－ＩＰＣＡ跟踪方法的算法执行流程 图１为所提ＡＭ—ＩＰＣＡ车辆跟踪方法的执行流程框图，车辆跟踪执行流程分两个主要部分：①针对目 标车辆跟踪的粒子滤波状态推理过程；②目标车辆的自相关矩阵ＩＰＣＡ子空间增量学习与更新． 粒于滤放过程 。 自机关矩阵ＩＰＣＡ增量学习 ’图１ ＡＭ－ＩＰＣＡ车辆跟踪方法的执行框图 Ｆｉｇ．１ Ｆｌｏｗ ｄｉａｇｒａｍ ｏｆ ＭＡ－ＩＰＣＡ ｖｅｈｉｃｌｅ ｔｒａｃｋｉｎｇ ｍｅｔｈｏｄ ＡＭ—ＩＰＣＡ车辆跟踪方法中，粒子滤波算法采用如下建议分布： ｑ（Ｘ：Ｉ ：川，日 ： ）。 ＝ｐ（ ：ｌ ：一 ， ）． （５） （６） 式中， 和日同式（２．１）一（２．４），粒子权值Ｗ 的计算方法如下： Ｗ：兰 ：一 ・Ｐ（ ｌ ）． 式中，似然概率ｐ（ ｌ ）见式（４），将自相关矩阵ＩＰＣＡ增量学习所获得的目标特征子空间均值 与特征 向量基 参与粒子权值Ｗ：的计算．跟踪过程中，当后续新图像帧到来时，采用基于自相关矩阵的ＩＰＣＡ算 法 增量学习并更新目标图像特征子空间．在实时学习目标图像子空间的情况下，依据式（１）一（６）采用 粒子滤波算法计算目标车辆在当前图像帧中的最优位置，ＡＭ．ＩＰＣＡ跟踪方法的执行步骤： Ｓｔｅｐ １：从视频流的初始图像帧中定位目标车辆．初始化跟踪涉及的相关参数：粒子数Ⅳ 、缈与初始跟 踪窗ＶＩ大小，计算目标图像子空间 ｛ ， ， ｝； Ｓｔｅｐ ２：依据式（２）系统状态转移模型，产生粒子集 一Ｐ（ ｌ ：一 ）； Ｓｔｅｐ ３：采集Ｓｔｅｐ ２的粒子集、自相关矩阵ＩＰＣＡ增量学习的实时观测数据 ，依据式（４）计算引入观 测量后的似然概率Ｐ（ ｌ ），依据式（６）计算粒子权值Ｗ：； Ｓｔｅｐ ４：规一化权值Ｗ：，当有效粒子尺度卵低于有效阈值时，进行重采样处理； Ｓｔｅｐ ５：根据Ｓｔｅｐ ３与Ｓｔｅｐ ４计算出的粒子权值，定位当前帧中目标车辆所在的位置、更新车辆表观模 型的相关参数，获取状态变量 对应的６个参数（戈 ，Ｙ ，０ ，ｓ ， ，咖 ），并在新图像帧中提取目标图像 ； Ｓｔｅｐ ６：依据文献［９］自相关矩阵ＩＰＣＡ增量学习算法的执行步骤，使用１６个主特征向量构建ＩＰＣＡ特 征子空间，增量性地学习ｔ时刻目标图像子空间 ｛７Ｄ， ， ｝．针对车辆子空间集合采取每５帧丢弃１ 幅旧帧、同时补充１幅新帧的方法，始终保持车辆子空间图像集合日为６帧，实时更新车辆子空间并求取 子空间均值图像 特征向量ｕ； Ｓｔｅｐ ７：返回Ｓｔｅｐ ２执行，至跟踪结束； ２实验结果与对比分析 图２为采用所提ＡＭ—ＩＰＣＡ跟踪方法对标准视频Ｃａｒ４的跟踪结果，实验基于的硬件平台为：Ｉｎｔｅｌ Ｐ６２００系列２．１３ Ｇ处理器、２ Ｇ的ＲＡＭ，跟踪难点在于：①从第５～２３５帧剧烈的光照强度变化；②目标车 辆在长序列跟踪过程中受到的随机扰动；③跟踪过程中相似车辆的干扰；④目标车辆行驶方向与跟踪窗 口尺度的变化． 一３５— 第４０咎笫Ｉ （２０Ｉ ７，ｆｉ） 跟踪实验中，』Ｉ＝（２）ｌｆ１的参数ｑｒ＝ｄｉａｇ（５ ，５ ，０．０２５：，０．０ｌ ，０．００２ ，０．００１ ），粒子滤波粒子数，ｖ 取 ３００，仞始跟踪窗口的横纵方向大小设定为２００像素Ｘ ｌ５０像素， ，归一化为３２ｘ３２像素 ． ３（ａ）～（ｆ）Ｌ１】 车辆跟踪图像下 的４ 小【奠Ｉ像，从左至右顺序依次为：当前时刻 辆子空间的均值罔像肛、跟踪的车辆 【纠像、跟踪与子 暇构 像Ｊ１＿ＩＪ的误差、ＩＰＣＡ子空间ｍ构的 ｆｊｉ『车辆图像． ３（ｇ）为主要关键帧对应的 子 像集合，第ｌ行为子伞问均值 像 ，第２行为第一主分量对应的特征罔像，第３行为跟踪与子夺问 重构Ｉ冬１像间的误差 像． （ａ）第５帧 （ａ） １帧 ＿ （ｄ） Ｉ２８０￣ｉ 。 ．～ ｔｌ＆蕊瓣 睦 汹 （ｅ）第５２８帧 喾晰 《 纛婚 一 糍～ 簿 ）第ｌ～６３８ ● 辆跟踪过程ｔｆ 的ｆ－１￣．ｌ像 图２基于视频Ｃａｒ４的ＡＭ－ＩＰＣＡ跟踪方法测试结果 Ｆｉｇ．２ Ｔｅｓｔｉｎｇ ｒｅｓｕｌｔｓ ｏｆ ＡＭ－ＩＰＣＡ ｔｒａｃｋｉｎｇ ｍｅｔｈｏｄ ｂａｓｅｄ ｕｎ ｖｉｄｅｏ Ｃａｒ４ （ｇ） ｌ～Ｉ９２帧乍辆跟踪过程 的 像 图３基于视频ｔｅｓｔ．３的ＡＭ－ＩＰＣＡ跟踪方法测试结果 Ｆｉｇ．３ Ｔｅｓｔｉｎｇ ｒｅｓｕｌｔｓ ｏｆ ＡＭ－１ＰＣＡ ｔｒａｃｋｉｎｇ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｖｉｄｅｏ ｔｅｓｔ３ 从 ２（ａ）～（ｆ）Ⅵ ：经历长时间冈像序列与剧烈光照强度变化等噪声干扰下的乍辆跟踪过程， ＡＭ—Ｉｆ ＣＡ跟踪方法川‘以稳健Ｈ．实时性地跟踪预定的目标车辆；在ＩＰＣＡ增量学习与更新的作川下，小同帧 口怀车辆的均值 像 均实时性地有所变化，总体Ｊ－反映ｆＩ１日标车辆图像在经历长时问跟踪下的变化 过程． 吴刚，等：融合增量主成分分析与粒子滤波的车辆表观模型跟踪 图３为针对雷丁大学视觉测试标准视频“ｔｅｓｔ３．ｍｐｇ”，采用所提ＡＭ．ＩＰＣＡ粒子滤波跟踪方法进行测试 的结果，ｔｅｓｔ３车辆跟踪的主要难点在于路面上强烈反光的干扰以及目标车辆由远至近的尺度变化．图３ 中各图像的含义同图３的类同解释．实验中 被设定为ｑＦ＝ｄｉａｇ（５ ，５ ，０．０１ ，Ｏ．０１ ，０．００１ ，０．００１ ），粒子 滤波算法采样粒子数Ⅳ。设定为３００，初始跟踪窗口的横纵方向大小设定为３４像素ｘ３２像素， 归一化为 ３２像素ｘ３２像素．从图３（ａ）一（ｆ）可见：经历目标车辆远近和光线强度变化等噪声干扰下的车辆跟踪过 程，所提ＡＭ—ＩＰＣＡ粒子滤波跟踪方法可以稳健且实时Ｉ生地跟踪预定目标车辆． 将以上３种表观模型跟踪方法测试的实验结果列于表１，３种跟踪方法均使用１６个主特征向量构建 ＩＰＣＡ特征子空间．除上述标准测试集Ｃａｒ４和ｔｅｓｔ３以外，其余４个标准测试集的车辆跟踪难点具体解释 如下，其中ｄｔｎｅｕ—ｓｃｈｎｅｅ车辆跟踪的主要难点在于：车辆运动方向的持续变化与目标车辆由远至近的尺度 变化；ｒｈｅｉｎｈａｆｅｎ车辆跟踪的主要难点在于：车辆运动方向与目标车辆距离远近变化；ｄｔｎｅｕ—ｎｅｂｅｌ车辆跟 踪的主要难点在于：车辆运动方向的持续变化与光照强度的变化；ｋｗｂＢ车辆跟踪的主要难点在于：光照强 度变化与车辆运动方向的持续变化． 表１ ３种基于ＩＰＣＡ的表观模型跟踪方法的数据对比 Ｔａｂｌｅ １ Ｄａｔａ ｃｏｍｐａｒｉｓｏｎ ｏｆ ｔｈｒｅｅ ｍｅｔｈｏｄｓ ｏｆ ＩＰＣＡ ａｐｐｅａｒａｎｃｅ ｔｒａｃｋｉｎｇ ｍｏｄｅｌ 在粒子数选取为３００个的情况下，所提ＡＭ—ＩＰＣＡ跟踪方法在执行时间上介于０．１０７～０．１４８ ｓ／帧，平 均可以获得６．８～９．３帧／ｓ的跟踪处理速度．通过表１实验数据对比：在ｄｔｎｅｕ＿ｓｃｈｎｅｅ、ｃａｒ ４、ｒｈｅｉｎｈａｆｅｎ、ｄｔ－ ｎｅｕ—ｎｅｂｅｌ与ｔｅｓｔ３的车辆跟踪实验中，采用Ｐ．Ｈａｌｌ的ＩＰＣＡ表观模型跟踪方法 在跟踪执行时间上近似 于２倍ＡＭ—ＩＰＣＡ跟踪方法；相对于Ｄ．Ｒｏｓｓ的ＩＰＣＡ表观模型跟踪方法 ，所提ＡＭ－ＩＰＣＡ跟踪方法降低 １６．７％的总体执行时间．目标车辆中心点的均方根误差（Ｒｏｏｔ Ｍｅａｎ Ｓｑｕａｒｅ Ｅｒｒｏｒ，ＲＭＳＥ）的数据对比，在３ 种跟踪方法中，ＡＭ—ＩＰＣＡ跟踪方法跟踪误差ＲＭＳＥ最小，主要得益于所提方法中有效的车辆表观模型、自 相关矩阵ＩＰＣＡ子空间增量学习、粒子滤波的预测与估计效率．由表１可观测：基于３个标准测试视频， Ｐ．Ｈａｌ１．ＩＰＣＡ跟踪方法跟踪成功率在８２．７％一９２．３％之间，Ｄ．Ｒｏｓｓ．ＩＰＣＡ跟踪方法跟踪成功率在９２．１％～ ９５．２％之间，所提ＡＭ．ＩＰＣＡ跟踪方法跟踪成功率在９５．１％～９６．４％之间． 基于上述跟踪测试视频集，在粒子数分别选取为６００和１ ０００个的情况下，采用所提ＡＭ—ＩＰＣＡ跟踪 方法进行车辆跟踪实验．当粒子数取６００个时，所提ＡＭ—ＩＰＣＡ跟踪方法在执行时间上介于０．１８１—０．２５２ ｓ／帧，平均可以获得４．０—５．５ Ｊ ｓ的跟踪处理速度，跟踪成功率在９５．３％～９６．５％之间．当粒子数取１０００ 个时，ＡＭ—ＩＰＣＡ跟踪方法在执行时间上介于０．２６８～０．３７２ ｓ／帧，平均可以获得２．７—３．７帧／ｓ的跟踪处理速 度，跟踪成功率在９５．４％一９６．６％之间．由此可以分析出：当粒子数显著提升时，跟踪执行时间显著增加而 跟踪成功率仅提高０．３％以内，仅仅通过提高粒子数并不能显著改善跟踪成功率．在粒子数分别选取为 ６００和１０００个的情况下，Ｐ．Ｈａｌ１．ＩＰＣＡ跟踪方法在执行时间上分别介于０．３３～０．５１ ｓ／帧、０．４８—０．７５ ｓ／帧， 跟踪成功率分别在８２．８％～９２．４％、８２．９％～９２．４％之间；Ｄ．Ｒｏｓｓ．ＩＰＣＡ跟踪方法在执行时间上分别介于 一３７— 南京师大学报（自然科学版） 第４Ｏ卷第１期（２０１７年） Ｏ．２１～Ｏ．３２ Ｓ／帧、０．３２—０．４５ ｓ／帧，跟踪成功率分别在９２．０％￣９５．２％、９２．２％一９５．３％之间．从平衡跟踪实时 性与跟踪成功率的角度考虑，在粒子数选取为３００个的情况下，采用ＡＭ—ＩＰＣＡ跟踪方法已经可以很好地 满足车辆跟踪的实际需求．综合考虑跟踪执行时间、跟踪成功率和跟踪ＲＭＳＥ ３个方面因素，基于３种 ＩＰＣＡ增量学习的车辆表观模型跟踪方法中，所提ＡＭ—ＩＰＣＡ跟踪方法的跟踪效果最优． ３结语 基于自相关矩阵ＩＰＣＡ增量学习与粒子滤波算法的基础上提出一种新的基于表观模型的车辆跟踪方 法，利用自相关矩阵ＩＰＣＡ增量学习后的子空间均值、特征向量基共同参与似然概率密度的计算，提高粒 子滤波算法粒子权值计算的精度；同时粒子滤波算法定位的目标车辆图像为自相关矩阵ＩＰＣＡ增量学习 提供实时、动态的图像数据．通过不断抛弃旧帧采集新帧进行实时增量学习目标车辆子空间特征，采用增 量主成分分析的子空间学习与更新技术，利用新帧对图像子空间进行增量性的学习可以反映出运动车辆 表观的实时变化状况．在一致的车辆跟踪框架下，横向测试与对比主流车辆表观模型跟踪方法对车辆跟 踪性能的影响．综合３组标准视频的车辆跟踪测试表明：在粒子数选取为３００个、每５帧进行一次ＩＰＣＡ 增量学习的情况下，所提ＡＭ．ＩＰＣＡ车辆表观模型跟踪方法的跟踪成功率达到９５．１％～９６．４％，跟踪执行时 间介于０．１０７ ０．１４８ ｓ／帧，平均可以获得６．８～９．３帧／Ｓ的处理速度．实验数据表明：在不损失目标特征子 空间细节信息的情况下，ＡＭ—ＩＰＣＡ跟踪方法可以快速性地跟踪目标车辆，特征子空间重构目标表观图像、 增量学习目标车辆的表观区域变化． ［参考文献］ ［１］ ＷＡＬＩＡ Ｇ Ｓ，ＫＡＰＯＯＲ Ｒ．Ｒｅｃｅｎｔ ａｄｖａｎｃｅｓ ｏｎ ｍｕｌｔｉｃｕｅ ｏｂｊｅｃｔ ｔｒａｃｋｉｎｇ：ａ ｓｕｒｖｅｙ［Ｊ］．Ａｒｔｉｉｆｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ ｒｅｖｉｅｗ，２０１６， ４６（１）：１—３９． ［２］杨欣，刘加，周鹏宇，等．基于多特征融合的粒子滤波自适应目标跟踪算法［Ｊ］．吉林大学学报（工学版），２０１５，４５（２）： ５３３－５３９． ［３］ＨＳＩＡ Ｃ Ｈ，ＬＩＯＵ Ｙ Ｊ，ＣＨＩＡＮＧ Ｊ Ｓ．Ｄｉｒｅｃｔｉｏｎａｌ ｐｒｅｄｉｃｔｉｏｎ ＣａｍＳｈｉｆｔ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ａｄａｐｔｉｖｅ ｓｅａｒｃｈ ｐａｔｔｅｒｎ ｆｏｒ ｍｏｖｉｎｇ ｏｂｊｅｃｔ ｔｒａｃｋｉｎｇ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ ｒｅａｌ－ｔｉｍｅ ｉｍａｇｅ ｐｒｏｃｅｓｓｉｎｇ，２０１６，１２（１）：１８３—１９５． ［４］ ＳＵＮ Ｊ，ＺＨＡＮＧ Ｓ，ＺＨＡＮＧ Ｌ．Ｏｂｊｅｃｔ ｔｒａｃｋｉｎｇ ｗｉｔｈ ｓｐａｔｉｌａ ｃｏｎｔｅｘｔ ｍｏｄｅｌ［Ｊ］．ＩＥＥＥ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｓｉｇｎａｌ ｐｒｏｃｅｓｓｉｎｇ ｌｅｔｔｅｒｓ， ２０１６，２３（５）：７２７—７３１． ［５］ＭＵＴＨＵＳＷＡＭＹ Ｋ，ＲＡＪＡＮ Ｄ．Ｐａｒｔｉｃｌｅ ｉｆｌｔｅｒ ｆｒａｍｅｗｏｒｋ ｏｆｒ ｓａｌｉｅｎｔ ｏｂｊｅｃｔ ｄｅｔｅｃｔｉｏｎ ｉｎ ｖｉｄｅｏｓ［Ｊ］．ＩＥＴ ｃｏｍｐｕｔｅｒ ｖｉｓｉｏｎ，２０１５， ９（３）：４２８—４３８． ［６］ＣＥＨＯＶＩＮ Ｌ，ＬＥＯＮＡＲＤＩＳ Ａ，ＫＲＩＳＴＡＮ Ｍ．Ｖｉｓｕａｌ ｏｂｊｅｃｔ ｔｒａｃｋｉｎｇ ｐｅｒｆｏｒｍａｎｃｅ ｍｅａｓｕｒｅｓ ｒｅｖｉｓｉｔｅｄ［Ｊ］．ＩＥＥＥ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｉｍａｇｅ ｐｒｏｃｅｓｓｉｎｇ，２０１６，２５（３）：１ ２６１—１ ２７４． ［７］ＣＨＯＵＶＡＲＤＡＳ ｓ，ＫＯＰＳＩＮＩＳ Ｙ，ＴＨＥＯＤＯＲＩＤＩＳ Ｓ．Ｒｏｂｕｓｔ ｓｕｂｓｐａｃｅ ｔｒａｃｋｉｎｇ ｗｉｔｈ ｍｉｓｓｉｎｇ ｅｎｔｒｌｅｓ：ｔｈｅ ｓｅｔ—ｔｈｅｏｒｅｔｉｃ ａｐｐｒｏａｃｈ［Ｊ］． ＩＥＥＥ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｓｉｇｎａｌ ｐｒｏｃｅｓｓｉｎｇ，２０１５，６３（１９）：５ ０６０—５ ０７０． ［８］ ＭＩＨＡＹＬＯＶＡ Ｌ，ＣＡＲＭＩ Ａ Ｙ，ＳＥＰＴＩＥＲ Ｆ，ｅｔ ａ１．Ｏｖｅｒｖｉｅｗ ｆ ｏＢａｙｅｓｉｎ ｓａｅｑｕｅｎｔｉｌａ Ｍｏｎｔｅ Ｃａｒｌｏ ｍｅｔｈｏｄｓ ｏｒｆ ｇｒｏｕｐ ｎｄ ｅａｘｔｅｎｄｅｄ ｏｂｊｅｃｔ ｔｒａｃｋｉｎｇ［Ｊ］．Ｄｉｇｉｔｌａ ｓｉｇｎａｌ ｐｒｏｃｅｓｓｉｎｇ，２０１３，２５（１）：卜１６． ［９］ＹＩＮ Ｙ，ＸＵ Ｄ，ＷＡＮＧ Ｘ，ｅｔ １．Ｏｎｌａｉｎｅ ｓｔａｔｅ—ｂａｓｅｄ ｓｔｒｕｃｔｕｒｄ ｅＳＶＭ ｃｏｍｂｉｎｅｄ ｗｉｔｈ ｉｎｃｒｅｍｅｎｔｌａ ＰＣＡ ｆｏｒ ｒｏｂｕｓｔ ｖｉｓｕａｌ ｔｒａｃｋｉｎｇ［Ｊ］． ＩＥＥＥ ｔｒｎｓａａｃｔｉｏｎｓ ｏｎ ｃｙｂｅｒｎｅｔｉｃｓ，２０１５，４５（９）：１ ９８８—２ ０００． ［责任编辑：顾晓天］ 一３８一
