熊昌鎮(zhèn)，車滿強(qiáng)，王潤(rùn)玲

(1.城市道路交通智能控制技術(shù)北京市重點(diǎn)實(shí)驗(yàn)室(北方工業(yè)大學(xué))，北京 100144； 2.北方工業(yè)大學(xué) 理學(xué)院，北京 100144)(*通信作者電子郵箱xczkiong@163.com)

0 引言

視頻跟蹤技術(shù)融合了圖像處理、模式識(shí)別、人工智能、自動(dòng)控制以及計(jì)算機(jī)等眾多領(lǐng)域中的先進(jìn)技術(shù)和核心思想，在軍事制導(dǎo)、視覺導(dǎo)航、安全監(jiān)控、智能交通[1-3]、醫(yī)療診斷以及氣象分析等方面具有重要的研究意義和廣闊的應(yīng)用前景。

經(jīng)典的目標(biāo)跟蹤算法主要是通過訓(xùn)練分類器來區(qū)分目標(biāo)和背景，而基于相關(guān)濾波的跟蹤方法[4-9]由于具有較好的實(shí)時(shí)性跟蹤效果，一直受到研究者的持續(xù)關(guān)注。Bolme等[4]將相關(guān)濾波應(yīng)用到目標(biāo)跟蹤領(lǐng)域，但只使用了單一的灰度特征來表征目標(biāo)，因此跟蹤精度較低。Henriques等[5]結(jié)合循環(huán)矩陣?yán)碚摵涂焖俑道锶~變換快速訓(xùn)練分類器并且檢測(cè)目標(biāo)，速度達(dá)362幀/s；但該算法只使用單一特征進(jìn)行跟蹤，對(duì)目標(biāo)尺度變化、快速運(yùn)動(dòng)等跟蹤效果不佳。Danelljan等[6]提出基于顏色屬性的相關(guān)濾波跟蹤算法，采用主成分分析將原來11維的顏色屬性降為2維的顏色特征，但對(duì)遮擋、形變等問題處理不好。Henriques等[7]利用循環(huán)矩陣在傅里葉空間可對(duì)角化的性質(zhì)提出了核相關(guān)濾波跟蹤算法，其多通道的梯度直方圖特征的核相關(guān)濾波算法的速度達(dá)到172幀/s，滿足跟蹤的實(shí)時(shí)性；但不具備尺度變化的能力，對(duì)多尺度的目標(biāo)跟蹤效果并不理想。Danelljan等[8]對(duì)核相關(guān)濾波算法進(jìn)行了改進(jìn)，在損失函數(shù)中引入空間正則化懲罰項(xiàng)，以抑制離中心較遠(yuǎn)的特征的影響，有效地解決了由循環(huán)矩陣導(dǎo)致的邊緣效應(yīng)，但速度只有4幀/s。熊昌鎮(zhèn)等[9]提出一種自適應(yīng)融合顏色屬性和方向梯度直方圖特征的相關(guān)濾波算法，提高了目標(biāo)定位的精度，對(duì)光照變化、遮擋具有較好的魯棒性。

近年來，隨著各種機(jī)器學(xué)習(xí)算法的引入和對(duì)深度模型的深入研究，深度學(xué)習(xí)方法被引入到目標(biāo)跟蹤領(lǐng)域，并逐漸在性能上取得巨大的突破。研究者充分利用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)特征提取時(shí)表現(xiàn)出的強(qiáng)大的學(xué)習(xí)能力,提出了多種目標(biāo)跟蹤算法。Wang等[10]對(duì)牛津大學(xué)幾何視覺組(Visual Geometry Group, VGG)提出的VGG-16模型上預(yù)訓(xùn)練的卷積特征在目標(biāo)跟蹤上的性能作了深入分析，指出卷積特征圖可以用來作目標(biāo)跟蹤，高層特征描述類別信息，低層特征捕獲類內(nèi)差異，提出同時(shí)考慮兩個(gè)不同卷積層的特征輸出，二者相互補(bǔ)充來區(qū)分目標(biāo)和處理劇烈的外觀變化，達(dá)到了很好的跟蹤效果。Chi等[11]提出了一個(gè)雙結(jié)構(gòu)模型，通過提取兩個(gè)不同層的分層特征與邊緣檢測(cè)器生成的低級(jí)紋理特征進(jìn)行融合，從而對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行定位，它的隨機(jī)和周期性在線更新策略有效地避免了目標(biāo)遮擋和模型漂移，對(duì)目標(biāo)遮擋、形變等均表現(xiàn)良好，但跟蹤的速度只有5幀/s。Wang等[12]結(jié)合結(jié)構(gòu)化支持向量機(jī)(Support Vector Machine, SVM)強(qiáng)大的判別力和相關(guān)濾波在速度上的優(yōu)勢(shì)，通過循環(huán)采樣來增加訓(xùn)練樣本數(shù)量，提出多峰值目標(biāo)檢測(cè)和高置信度模型更新策略，有效避免了相似物和背景的干擾，取得了良好的跟蹤效果，平均跟蹤速度達(dá)到10幀/s。Ma等[13]針對(duì)VGG-19特征在目標(biāo)跟蹤上的特性，通過結(jié)合卷積特征和相關(guān)濾波器準(zhǔn)確定位目標(biāo)的中心點(diǎn)，實(shí)際測(cè)試時(shí)性能相當(dāng)穩(wěn)定，顯示出深度特征結(jié)合相關(guān)濾波器的巨大優(yōu)勢(shì)。Hyeonseob等[14]提出直接用跟蹤視頻預(yù)訓(xùn)練CNN獲得通用目標(biāo)表示能力的方法，并設(shè)計(jì)了創(chuàng)新的多域訓(xùn)練方法和訓(xùn)練數(shù)據(jù)交叉運(yùn)用的思路；而且在線微調(diào)、難例挖掘以及邊界盒回歸策略的使用，使該算法在當(dāng)時(shí)達(dá)到了前所未有的精確度，但是速度緩慢，僅1幀/s。Danelljan等[15]提出了連續(xù)卷積操作相關(guān)濾波跟蹤算法，由于增加了模型更新的負(fù)擔(dān)，使得速度緩慢，還易引起過擬合;后來Danelljan等[16]對(duì)該算法進(jìn)行了改進(jìn)，采用因式分解的方法對(duì)卷積特征進(jìn)行降維，同時(shí)采用稀疏模型更新策略，使得算法的精度得到提升，跟蹤的速度達(dá)到10幀/s。

為大幅提高算法的速度，Wang等[17]對(duì)分層卷積目標(biāo)跟蹤算法進(jìn)行改進(jìn)，訓(xùn)練多尺度域?yàn)V波器進(jìn)行跟蹤，提升了算法的魯棒性，并且將卷積特征維度降為原來的1/8，速度提高至27.7幀/s，達(dá)到了實(shí)時(shí)性要求。Held等[18]充分利用帶標(biāo)簽的視頻和圖像對(duì)網(wǎng)絡(luò)進(jìn)行離線訓(xùn)練，在跟蹤時(shí)僅有一個(gè)前饋網(wǎng)絡(luò)的計(jì)算而沒有在線更新的過程，使得該算法的速度能達(dá)到100幀/s以上，但跟蹤效果并不理想。Bertinetto等[19]提出一種基于全卷積孿生網(wǎng)絡(luò)的跟蹤算法，根據(jù)第1幀和后續(xù)幀圖像目標(biāo)的相似性關(guān)聯(lián)，離線訓(xùn)練一個(gè)解決相似性學(xué)習(xí)的深度卷積網(wǎng)絡(luò)模型，為在線跟蹤過程節(jié)省了大量的時(shí)間，速度較快，效果也得到了較大的提升，但還無法達(dá)到分層卷積目標(biāo)跟蹤算法的效果[13,17]。雖然上述基于手工特征的相關(guān)濾波算法的實(shí)時(shí)性能很好，但當(dāng)目標(biāo)自身發(fā)生劇烈形變、被其他物體遮擋或者周圍環(huán)境劇烈變化時(shí)，會(huì)出現(xiàn)跟丟跟錯(cuò)現(xiàn)象。使用卷積神經(jīng)網(wǎng)絡(luò)算法雖然很好地解決了上述問題，但由于卷積特征提取的耗時(shí)性，使得算法很難達(dá)到實(shí)時(shí)的要求，因此，本文在卷積神經(jīng)網(wǎng)絡(luò)和相關(guān)濾波的目標(biāo)跟蹤算法基礎(chǔ)上，提出以下三點(diǎn)改進(jìn)方案：

1)CNN卷積層的選擇。根據(jù)VGG-19網(wǎng)絡(luò)結(jié)構(gòu)[20]的特征，分析不同卷積層的目標(biāo)跟蹤性能，選取表現(xiàn)好的卷積層進(jìn)行組合，解決單層卷積特征魯棒性差的問題。

2)稀疏的卷積特征。通過分析卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到的特征與維數(shù)之間的聯(lián)系，采用等間隔的方式減少卷積特征的維度，提高算法的速度。

3)稀疏的模型更新策略。為了提高算法的實(shí)時(shí)性，對(duì)模型更新的間隔幀數(shù)進(jìn)行實(shí)驗(yàn)分析，選取最好的間隔更新策略，保證跟蹤效果的同時(shí)提高跟蹤的實(shí)時(shí)性。

1 相關(guān)濾波目標(biāo)跟蹤算法

相關(guān)濾波跟蹤算法主要包括訓(xùn)練分類器、預(yù)測(cè)目標(biāo)位置和更新分類器三部分。下面先介紹基于分層卷積特征的相關(guān)濾波跟蹤算法。

1.1 訓(xùn)練分類器

(1)

(2)

1.2 預(yù)測(cè)目標(biāo)位置

(3)

其中F-1為傅里葉逆變換。對(duì)于多層卷積特征的濾波響應(yīng)采用線性加權(quán)組合得到最后的濾波響應(yīng)f為：

(4)

尋找響應(yīng)值最高的位置即為預(yù)測(cè)的目標(biāo)位置。具體預(yù)測(cè)過程如圖1所示。

圖1 融合響應(yīng)預(yù)測(cè)流程

1.3 更新分類器參數(shù)

在目標(biāo)跟蹤的過程中，由于運(yùn)動(dòng)目標(biāo)的表觀變化、遮擋現(xiàn)象、周邊環(huán)境的干擾和光照變化等諸多因素的影響，需對(duì)每一層的相關(guān)濾波器進(jìn)行更新。第l層相關(guān)濾波器可通過最小化所有跟蹤結(jié)果的輸出誤差來進(jìn)行更新。然而，該方法需求解在最佳響應(yīng)位置的一個(gè)D×D的線性方程組，對(duì)于卷積神經(jīng)網(wǎng)絡(luò)特征而言，通道數(shù)目通常較多，使得計(jì)算非常耗時(shí)。為了提高其計(jì)算速度，使用移動(dòng)平均分別更新相關(guān)濾波分類器的分子Ad和分母Bd，即：

(5)

(6)

(7)

其中：t為幀序列，η為學(xué)習(xí)率。

2 分層卷積相關(guān)濾波的改進(jìn)算法

不同特征得到的跟蹤效果不同，不同的更新策略對(duì)跟蹤的效果也會(huì)產(chǎn)生影響，不同的分類器求解方法對(duì)跟蹤的影響也會(huì)產(chǎn)生很大的影響。為了提高跟蹤的速度，可以減小特征的維度D或卷積層的層數(shù)l，也可以降低更新的頻率。為了保持跟蹤的效果同時(shí)又提高跟蹤的速度，本文提出以下3點(diǎn)改進(jìn)。

2.1 選用表征效果更好的卷積層特征

本文選用的卷積特征提取器為VGG-19[20]網(wǎng)絡(luò)模型，在提取卷積特征時(shí)，首先通過雙線性插值將圖片統(tǒng)一縮放為224×224，然后通過5個(gè)卷積層進(jìn)行卷積運(yùn)算，每一個(gè)卷積層都可輸出不同的卷積特征。圖2為該模型提取特征的可視化結(jié)果，其中：圖2(a)為輸入圖像，圖2(b)為第5層的第3個(gè)卷積操作得到的卷積特征，圖2(c)為第4層的池化操作得到的卷積特征。可以發(fā)現(xiàn)：高層特征分辨率較低，具有更強(qiáng)的語義信息，主要反映目標(biāo)的類別信息，對(duì)目標(biāo)自身的形變等具有較好的魯棒性；低層特征分辨率較高，能更好地顯示目標(biāo)的細(xì)節(jié)，區(qū)分類內(nèi)差異。

圖2 目標(biāo)在不同卷積層的卷積特征

文獻(xiàn)[13]使用了VGG-19網(wǎng)絡(luò)第3、4、5層的下采樣層進(jìn)行跟蹤，三層對(duì)應(yīng)的權(quán)重按照經(jīng)驗(yàn)值設(shè)置為0.5、1、0.02。與原分層卷積算法不同，本文對(duì)VGG-19的第5層(C5)和第4層(C4)輸出的特征圖進(jìn)行了深入的分析和研究，發(fā)現(xiàn)第5層的第3個(gè)和第2個(gè)卷積操作(C5_3和C5_2)的特征對(duì)不同類別的物體以及目標(biāo)的形變和遮擋具有很好的魯棒性，而第4層的池化層(P4)特征對(duì)視頻目標(biāo)跟蹤過程中的相似物干擾等情況表現(xiàn)較好，于是分別選取卷積C5_2、C5_3、P4層的特征，并對(duì)這3層特征分別訓(xùn)練分類器，通過加權(quán)組合多個(gè)分類器的相關(guān)濾波響應(yīng)值來預(yù)測(cè)目標(biāo)的位置。由于C5_3和C5_2為P4的下采樣層經(jīng)過卷積運(yùn)算得到的，因此在權(quán)重設(shè)置時(shí)，考慮到下采樣操作，將權(quán)重設(shè)置為1∶1∶0.5。

2.2 采用稀疏卷積特征減少計(jì)算量

通過卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到的特征很多，但并不是每個(gè)卷積核得到的特征都是相關(guān)特征，其中有一部分屬于無關(guān)特征，而這一部分無關(guān)特征會(huì)影響計(jì)算速度，如果能對(duì)這些特征進(jìn)行恰當(dāng)?shù)南∈璞硎?，就可以?jiǎn)化模型，提高模型的計(jì)算速度，因此在跟蹤過程中不使用全部的特征，而采用稀疏特征的表示方式，這樣不僅可以提高跟蹤的速度，同時(shí)可以防止過擬合。文獻(xiàn)[16]就通過因式分解的方法降低卷積核的個(gè)數(shù)，驗(yàn)證了稀疏卷積特征的效果。為了計(jì)算簡(jiǎn)便，提高算法的速度,本文直接采用等間隔的方式選取卷積得到的特征，將特征維度降到原來的1/4，即取d=1,5,9,…。圖3(a)為OTB數(shù)據(jù)中David視頻第294幀的卷積特征未稀疏前512維特征的二維和三維響應(yīng)圖，可以看出最大響應(yīng)值為0.441 9；圖3(b)為特征經(jīng)過稀疏選擇后的響應(yīng)圖，最大響應(yīng)值為0.457 9，說明對(duì)特征的適當(dāng)稀疏不僅有效地提升了特征的高效性，而且在一定程度提高了定位的準(zhǔn)確性。

2.3 使用稀疏更新策略

本文算法屬于判別式在線跟蹤模型，首先利用視頻第1幀圖像給定的標(biāo)注信息訓(xùn)練跟蹤模型，然后在后續(xù)幀中根據(jù)目標(biāo)和背景的變化適時(shí)地對(duì)模型進(jìn)行更新，具有較強(qiáng)的靈活性和適應(yīng)性。目前應(yīng)用較多的更新策略主要為對(duì)每幀都進(jìn)行更新，更新參數(shù)數(shù)目太多，不僅降低了算法的速度也增加了漂移的可能性。為了提高算法的實(shí)效性和魯棒性，本文采用一種稀疏更新的策略，即選取一個(gè)適中的、低頻率的模型更新策略。受文獻(xiàn)[16-17]的啟發(fā)，本文選取不同的幀數(shù)間隔對(duì)模型進(jìn)行更新，在分析了不同間隔更新的跟蹤效果后，選用每隔5幀更新一次模型時(shí)，跟蹤的速度會(huì)有一定的提高，同時(shí)也不會(huì)影響跟蹤的準(zhǔn)確性。

圖3 特征稀疏選擇前后響應(yīng)對(duì)比

2.4 算法實(shí)現(xiàn)

算法具體參數(shù)為：使用的卷積特征為VGG-19[20]網(wǎng)絡(luò)的第4層以及第5層的第2和3個(gè)卷積得到的卷積特征，C5_3、C5_2和P4層的相關(guān)濾波響應(yīng)加權(quán)權(quán)重αl分別為1、1和0.5；卷積特征的大小為目標(biāo)搜索區(qū)域的1/4，即M/4×N/4；每層對(duì)應(yīng)的相關(guān)濾波器使用相同的參數(shù)訓(xùn)練，其中正則化參數(shù)λ=10-4，類標(biāo)簽函數(shù)的核帶寬σ=0.1。算法具體流程如下：

輸入 初始目標(biāo)位置P0。

repeat

forl=P4,C5_2,C5_3 do

用式(3)計(jì)算目標(biāo)位置fl

end for

if 幀數(shù)量/6=1,2,…,kthen

forl=P4,C5_2,C5_3 do

end for

end if

until 結(jié)束所有幀

3 實(shí)驗(yàn)結(jié)果分析

為了評(píng)估算法的有效性，在OTB-2015新增的50組標(biāo)準(zhǔn)數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)評(píng)估。該數(shù)據(jù)集包含光照變化(Illumination Variation, IV)、遮擋(Occlusion, OCC)、尺度變化(Scale Variation, SV)、快速運(yùn)動(dòng)(Fast Motion, FM)、背景混亂(Background Clustering， BC)、低分辨率(Low Resolution， LR)、平面內(nèi)旋轉(zhuǎn)(In-Plane Rotation, IPR)、超出視野(Out-of-View，OV)、平面外旋轉(zhuǎn)(Out-of-Plane Rotation， OPR)、非剛性形變(Deformation, DEF)以及運(yùn)動(dòng)模糊(Motion Blur, MB)等因素的干擾。

為了驗(yàn)證本文算法的效果，設(shè)計(jì)了4組不同的實(shí)驗(yàn)。第1組實(shí)驗(yàn)主要對(duì)比研究了P4、C5_2和C5_3卷積特征在不同組合情況下對(duì)本文算法速度和精度的影響；第2組實(shí)驗(yàn)對(duì)比了選擇不同模型更新間隔對(duì)算法速度和精度的影響；第3組實(shí)驗(yàn)為與分層卷積目標(biāo)跟蹤算法(Hierarchical Convolutional Features for Visual Tracking, CF2)[13]、多尺度域跟蹤(Robust and Real-time Deep Tracking Via Multi-Scale Domain Adaptation, MSDAT)[17]和核相關(guān)濾波跟蹤(High-Speed Tracking with Kernelized Correlation Filter, KCF)算法[7]的平均DP和平均速度的對(duì)比，以及與這三種算法一次通過率(One-Pass Evaluation, OPE)的準(zhǔn)確率和成功率評(píng)估的對(duì)比；第4組實(shí)驗(yàn)主要對(duì)比了上述三種算法和本文算法在目標(biāo)發(fā)生形變和遮擋時(shí)的跟蹤效果。

實(shí)驗(yàn)1 不同卷積層組合的跟蹤實(shí)驗(yàn)。

為選取最佳的卷積特征作跟蹤，首先對(duì)P4、C5_2和C5_3的特征進(jìn)行不同組合實(shí)驗(yàn)，得到的實(shí)驗(yàn)結(jié)果如表1所示。表1中列出了不同組合下各個(gè)測(cè)試視頻的平均DP和平均速度，每行數(shù)據(jù)的最優(yōu)值用加粗的字體標(biāo)出，實(shí)驗(yàn)結(jié)果表明，所選三層網(wǎng)絡(luò)的特征用于跟蹤時(shí)，都有較好的跟蹤結(jié)果，選取的層數(shù)越少時(shí)，速度越快，但是平均DP值會(huì)降低。綜合考慮后選取P4、C5_2和C5_3的特征進(jìn)行跟蹤，準(zhǔn)確度和速度都有很好的提升，其中代表性的5組視頻跟蹤精度如表2所示，可以看出在復(fù)雜場(chǎng)景下三層特征組合使用可以穩(wěn)定地跟蹤目標(biāo)。

表1 選擇不同網(wǎng)絡(luò)層得到的跟蹤結(jié)果

表2 代表視頻跟蹤結(jié)果

實(shí)驗(yàn)2 不同間隔幀的更新實(shí)驗(yàn)。

模型更新間隔過大，會(huì)導(dǎo)致目標(biāo)跟丟的情況，而更新過于頻繁，不僅不會(huì)提升算法跟蹤的精度，反而會(huì)導(dǎo)致跟蹤速度的下降，因此選擇一個(gè)合適的更新間隔至關(guān)重要。表3列出了不同更新間隔下所有視頻的平均精度(DP)和平均速度。從表3可以看出，間隔5幀更新一次模型時(shí)平均DP值最高，速度也較快，因此本文選用間隔5幀更新模型的策略。

表3 選擇不同更新間隔得到的跟蹤結(jié)果

實(shí)驗(yàn)3 不同算法的對(duì)比實(shí)驗(yàn)。

平均DP和速度對(duì)比:選取CF2、MSDAT、KCF在本文同一實(shí)驗(yàn)平臺(tái)測(cè)試，此處只選擇這三種算法比較主要因?yàn)楸疚乃惴镃F2的改進(jìn)算法，MSDAT為CF2算法的另一改進(jìn)算法，KCF為相關(guān)濾波的核心算法。在OTB-2015新增的50組數(shù)據(jù)下的測(cè)試結(jié)果如表4所示。可以看出，本文算法的平均距離精度都優(yōu)于CF2和MSDAT；在速度方面，本文算法的平均速度低于KCF，但是本文算法的距離精度遠(yuǎn)高于KCF。

表4 不同算法平均DP和速度對(duì)比

在Benchmark上對(duì)本文算法與上述三種算法在OTB-2015新增的50組數(shù)據(jù)上的測(cè)試結(jié)果作OPE對(duì)比，結(jié)果如圖4和表5所示。從圖4可以看出，在50組測(cè)試視頻上本文算法的OPE準(zhǔn)確率值為0.823，排名第1；OPE成功率值為0.614，排名第1。表5為具體干擾因素下四種算法的OPE準(zhǔn)確度對(duì)比數(shù)據(jù)，可以看出本文算法除快速運(yùn)動(dòng)一種情況外，其他情況下OPE準(zhǔn)確率值均為第1，說明本文算法對(duì)背景混亂(BC)、平面內(nèi)旋轉(zhuǎn)(IPR)、超出視野(OV)、平面外旋轉(zhuǎn)(OPR)、非剛性形變(DEF)、遮擋(OCC)的魯棒性優(yōu)于對(duì)比算法。

表5 不同挑戰(zhàn)中各算法的OPE準(zhǔn)確率對(duì)比

實(shí)驗(yàn)4 目標(biāo)發(fā)生遮擋形變的跟蹤實(shí)驗(yàn)。

本實(shí)驗(yàn)中對(duì)比了CF2、MSDAT、KCF和本文算法在Bolt2、Box、Girl2、Human3這4組數(shù)據(jù)上的跟蹤效果。Bolt2為目標(biāo)發(fā)生形變代表，Box、Girl2、Human3為目標(biāo)發(fā)生遮擋的代表，結(jié)果如圖5所示。圖5(a)分別為目標(biāo)發(fā)生形變時(shí)和最后1幀圖片；圖5(b)～(d)為目標(biāo)發(fā)生遮擋和遮擋結(jié)束后的圖片。從圖5可以看出，Bolt2視頻在第8幀時(shí)KCF出現(xiàn)跟丟的情況，CF2、MSDAT和本文算法可以準(zhǔn)確地跟蹤目標(biāo)到最后1幀；Human3視頻在第66幀左右時(shí)，目標(biāo)發(fā)生遮擋，MSDAT、CF2和KCF跟丟目標(biāo)，本文算法依然能夠準(zhǔn)確地跟蹤目標(biāo)；Box和Girl2視頻分別在第505和121幀時(shí)發(fā)生遮擋，遮擋結(jié)束后本文算法分別在兩組視頻的1 160和295幀依然穩(wěn)定跟蹤到目標(biāo)，其他三種算法全部跟丟目標(biāo)。實(shí)驗(yàn)結(jié)果表明，在目標(biāo)發(fā)生遮擋和形變時(shí)本文算法可以更好地跟蹤目標(biāo)。

圖4 不同算法的OPE準(zhǔn)確率和成功率對(duì)比

圖5 形變和遮擋視頻跟蹤效果

4 結(jié)語

本文對(duì)分層卷積特征相關(guān)濾波跟蹤算法進(jìn)行了改進(jìn)，選取VGG-19網(wǎng)絡(luò)中的P4、C5_2和C5_3的卷積特征用于跟蹤，提升了目標(biāo)跟蹤算法對(duì)于遮擋和形變的魯棒性。在不影響跟蹤準(zhǔn)確度的前提下，選擇稀疏的卷積特征，同時(shí)采用低頻率的模型更新策略能有效提升跟蹤算法的實(shí)時(shí)性。在OTB-2015新增的50組標(biāo)準(zhǔn)數(shù)據(jù)集上對(duì)算法進(jìn)行了測(cè)試，實(shí)驗(yàn)結(jié)果表明本文的目標(biāo)跟蹤算法平均DP為82.2%，平均速度為32.6幀/s，OPE準(zhǔn)確率值為0.823。和CF2相比，本文算法平均DP值提高了5.25個(gè)百分點(diǎn)，平均速度上升21.5幀/s；與CF2的另一個(gè)改進(jìn)算法MSDAT相比，平均DP增加了4.97%，速度提高了4.9幀/s；而且在目標(biāo)發(fā)生形變和遮擋等情況時(shí)，本文算法仍能實(shí)時(shí)地跟蹤目標(biāo)。由于本文直接采用等間隔采樣的方式降低卷積特征維度，提高了算法的實(shí)時(shí)性，但也排除了部分跟蹤效果好的卷積特征，保留了部分無關(guān)的卷積特征，因此下一步工作將研究自適應(yīng)的特征選擇方法，進(jìn)一步提高目標(biāo)跟蹤的效果。