基于图像感知哈希的运动目标跟踪.docx

基于图像感知哈希的运动目标跟踪摘要：运动目标跟踪目前已经成为计算机视觉领域的重要研究课题之一。目标跟踪的性能受到众多因素的影响有研究表明选取合适的目标表示模型作为特征进行跟踪可以大幅度提升跟踪效果。现有的很多特征或计算复杂或者需要大量的数据进行训练或缺乏对目标外观变化的鲁棒性并不能取得很好的效果。针对这一问题文章提出了一种使用图像感知哈希作为匹配特征的生成方法进行目标跟踪。图像感知哈希原本是用于寻找相似图片的图片匹配的方法具有对尺度变化、光照变化不敏感计算容易等优点。将感知哈希用于目标跟踪可以减少计算量并在检测到目标后结合有效的运动模型更新策略解决目标跟踪中出现的偏移、遮挡等问题达到快速、准确的跟踪效果。关键词：运动目标跟踪；生成方法；图像感知哈希；OPENCV中图分类号：TP392文献标识码：A文章编号：1009-3044（2016）14-0179-03随着计算机信息技术的发展计算机视觉已经成为研究热点之一运动目标跟踪更是计算机视觉领域的热门课题。如今运动目标跟踪技术已经广泛用于监控、交通、军事、医疗的等领域。视频是一帧一帧连续播放的图像序列目标跟踪是指从视频的某一帧开始通过目标检测方法找到到运动目标或者人工指定跟踪目标在之后的连续图像序列中持续对目标进行识别和跟踪。目标跟踪方法通常分为判别方法和生成方法两种。判别方法把跟踪看成一个二分类的问题：以目标物体作为正样本背景作为负样本通过训练分类器可以把目标从背景中分离出来从而实现对目标的跟踪。目前很多判别方法提出其中STRUCK是判别方法中最杰出的[2]但是此方法需要大量的计算速度较慢并不能满足实时跟踪的需求。生成方法首先学习外观模型来表示目标然后在搜索区域的候选模型中选择出与目标模型误差最小的一个作为跟踪结果。生成方法最早可以追溯到Lucas和Kanade提出的基于原始图像的整体模板法即LK方法。仅仅使用原始图像作为模板不能很好地提取目标外观特征适应目标外观变化且需要的计算量较大。Hager和Belhumeur等人改进了LK方法对原始图像进行降维使用对光照不敏感的低维特征作为目标外观的表示。在此基础上Black和Jepson又提出了使用一定的学习策略进行模型更新从而更好的处理目标外观的变化。此时生成跟踪方法的框架已经形成。随后很多模型的不同特征被用于跟踪。如Comaniciu人等结合颜色直方图和数学上的均值偏移方法提出了meanshift方法。Collins拓展了可自适应尺度变换的改进方法camshift。为了更好的处理遮挡和提升实时性能局部稀疏表示（PCA、稀疏编码等）和多种特征的联合表示也被用于目标跟踪。[1][2]跟踪的过程中会出现众多的干扰因素影响跟踪的性能如尺度变换光照变化偏移遮挡等问题。处理这些因素的关键在于构造有效且鲁棒的外观表示模型。文献[1]证明了模型表示的选择对于跟踪性能的影响最大。于是近些年来跟踪问题更多的焦点集中在寻找有效的表示模型上。本文提出了一个有效的生成方法使用图像感知哈希作为模型表示进行跟踪具有尺度不变性和运算速度快的优点并且引入了模型更新策略从而解决了目标跟踪中出现的偏移、遮挡问题。1图像感知哈希感知哈希是指将具有相同感知内容的多媒体信息映射为一段数字摘要用来对媒体信息进行比对。图像感知哈希则是对数字图像的感知信息进行摘要。传统的哈希技术仅仅简单地把图片看作一个二进制文件进行处理而没有考虑到图像上的感知信息。随着网络上有损压缩格式的使用传统的哈希算法如MD5、SHA1等方式不再适用于图片的匹配于是提出了图像感知哈希技术利用的图片的感知特征作为摘要信息来进行图像的识别和认证[4]。在MD5、SHA1这样的加密哈希方法中得到的哈希值仅仅是一段固定长度的二进制数字和其本身的内容没有关系。单向性和抗碰撞性要求它对输入的二进制数据的比特变化敏感也就是说即使输入数据一位的比特变化也会导致输出哈希值的明显的随机变化。对于数字图像而言图像数据格式的变化普通的图像润饰或者加工操作图像通信的信道噪声等在剧烈改变图像二进制数据的同时一般都只会影响图像呈现信息的质量而不会改变其内容。因此大部分感知哈希算法都具有共同的基本特性：图像可以放大缩小可以有不同的方向、角度甚至可以有细微的颜色差别其哈希值都应该保持不变或者在一个指定的阈值内变化。而以上的特性也正好适用于目标跟踪中用来匹配目标。2提出的算法近些年来已经有很多不同的图像感知哈希算法提出[5]。其中包含很多复杂的甚至可以加密的方法但是经测试即使将很简单的感知哈希算法作为特征使用到跟踪中也能起到很好的效果。2.1模型表示本文中采取的感知哈希作