鄒承明，明成龍，李成龍

1.交通物聯(lián)網(wǎng)技術湖北省重點實驗室，武漢430070

2.武漢理工大學 計算機科學與技術學院，武漢430070

1 引言

在計算機視覺領域中，目標跟蹤一直是個重要的研究課題。基于視頻的目標跟蹤研究，無論是在國防軍事，還是在生產生活中都有著不可或缺的應用需求。當下目標跟蹤方法研究已經取得較大的進展，但是因為應用場景的復雜性，當前仍然面臨著許多挑戰(zhàn)，如目標運動過程中的尺度變化以及目標遮擋等都是當下仍需解決的應用難題[1-3]。

近年來，基于相關濾波的目標方法研究在跟蹤性能上取得了比較大的突破，由于該方法的高效性和魯棒性，基于相關濾波的目標跟蹤方法逐漸成為當下主流目標跟蹤研究方法之一。Bolme 等人[4]提出了MOSSE 算法，該方法首次利用相關濾波原理，即越是相關的兩個目標其二者的相關值也越大，以此定位視頻幀序列中的目標，并且通過快速傅里葉變換（FFT）加快了視頻幀的處理速度，其處理速度高達669幀/s。在此之后，掀起了基于相關濾波的目標跟蹤方法研究熱潮，Henriques 等人提出的CSK[5]算法和KCF[6]算法在跟蹤精度和魯棒性上都處于較高水平，CSK 在MOSSE 基礎上引入了循環(huán)矩陣和核技巧，采用了灰度特征，在精度上較MOSSE有較大改進；KCF 在CSK 基礎上采用了HOG 特征，將單通道更換成多通道，在綜合性能得到了進一步完善。Danelljan等人[7]將CN特征（Color Name）應用到目標跟蹤中，將目標顏色特征原始的RGB 顏色特征轉化成11種顏色的多通道顏色特征，使得特征對目標的表達能力得到加強。文獻[8]提出了關于尺度估計的相關濾波方法，該算法包含了位置濾波器（Translation Filter）和尺度濾波器（Scale Filter），通過先計算目標位置再估計目標尺度的方法保證目標尺度一致性，提高了跟蹤精度。SAMF[9]將CN 特征和HOG 特征串聯(lián)，并且加入了尺度估計，將尺度估計和位置估計同時進行計算，以此獲取目標的最佳尺度和最佳位置，該方法能較好處理目標尺度變化問題，在目標遮擋問題上也有較好的魯棒性。文獻[10]采用了多個相關濾波器來進行目標跟蹤定位，該方法將相關濾波器用作局部目標分類，提高了在局部遮擋或完全遮擋問題中的魯棒性。文獻[11]提出了多特征融合的自適應相關濾波跟蹤算法，選用了HOG和CN特征進行特征融合，并提出了響應圖置信度策略，提高了跟蹤精度。文獻[12]提出了一種基于深度特征和模板更新自適應粒子濾波目標跟蹤算法，該方法依據(jù)深度特征得到目標模板和候選模板，并構建候選模板庫，采用粒子濾波算法對目標進行定位，將定位結果與模板庫進行匹配，并自適應更新候選模板庫。文獻[13]介紹了一種基于時空上下文的TLD 目標跟蹤算法，該算法融合STC算法和TLD算法，提出了一種相似度判斷方法對跟蹤效果進行判定，并結合STC 算法置信圖計算機制，提出了目標時空模型機制，提高了目標跟蹤成功率。文獻[14]提出了一種融合顏色特征及SURF特征的協(xié)方差矩陣來改進粒子濾波算法，用于改進粒子濾波算法重采樣過程，提高了粒子濾波目標跟蹤的性能。文獻[15]提出了一種自適應多特征融合的魯棒性相關濾波跟蹤算法，通過分析不同部分的有用信息，采用核相關濾波方法對每個模板進行訓練，結合粒子濾波算法對不同部分設定權重，提高了在目標遮擋中的魯棒性。文獻[16]提出了一種將相關濾波器和多任務高斯粒子濾波器進行融合的新型跟蹤器，該方法以多個相關濾波器作為弱跟蹤器，利用連續(xù)幀中目標位置的空間關系，在可靠的搜索范圍內提供弱決策，再依據(jù)高斯粒子濾波器做出強決策，以此提高跟蹤器的魯棒性和跟蹤效率。隨著深度神經網(wǎng)絡在圖像處理領域得到廣泛應用，深度學習方法逐漸被應用到目標跟蹤研究中。文獻[17-19]使用卷積神經網(wǎng)絡（Convolutional Neural Network，CNN）提取多層卷積特征，不同卷積層具有不同的目標特征信息，對不同卷積層進行權重區(qū)分，進而更將詳盡的對目標進行描述，再結合相關濾波方法，提高了跟蹤精度和魯棒性，但同時也帶來了較大的計算量，其跟蹤實時性容易受到影響。

從上述中可知，相關濾波方法具有速度快、精度高等特點，具有比較高的研究和應用價值，但是該方法卻無法很好地處理目標遮擋和尺度變化問題。針對這些問題，本文提出了一種基于粒子繁衍的相關粒子濾波算法（WPR-CPF），采用多個相關濾波模板對目標和背景信息進行學習，提高了目標和背景辨識度，再結合粒子濾波采樣策略進行隨機采樣，使跟蹤器在目標走出遮擋物時能夠快速地定位到目標，跳脫出遮擋區(qū)域。在尺度估計中，引入了多尺度因子，通過目標候選區(qū)域的縮放，選用與濾波器相關性最大的樣本區(qū)域對應的尺度因子來進行尺度更新，保持了目標運動過程中的尺度一致性；同時，對粒子濾波算法進行了改進，提出基于粒子繁衍的重采樣算法（Weighted Proliferation Resampling，WPR），提高了計算效率。

2 方法介紹

2.1 KCF跟蹤器

其中，w 為φ(X)=[φ(x1),φ(x2),…,φ(xn)]T行向量生成空間中對應的一個向量，λ 為正則化系數(shù)。故可以令，則式（1）的對偶問題為：

KCF算法屬于鑒別式跟蹤方法，在追蹤過程中訓練一個目標分類器，使該分類器檢測下一幀目標位置。KCF在前一幀目標周圍采樣，以窗口循環(huán)移動的方式構建訓練樣本，并且將問題求解轉換到離散傅里葉域，借助快速傅里葉變換（FFT）大大降低了計算量。設核空間脊回歸分類器為f(xi)=wTφ(xi)，該過程的目標在于獲取最優(yōu)化的權重系數(shù)：

令式（2）中α 導數(shù)為0，得到α=(φ(X)φ(X)T+λI)-1y，利用核技巧令，可得α=(K+λI)-1y，于是分類器可以轉化成f(zj)=αTφ(X)φ(zj)，最終可以計算得到每個測試樣本的響應值：

至此，KCF 得到每個樣本的響應值，取響應值最大的樣本位置作為目標的預測位置。盡管KCF跟蹤器取得了比較好的性能體現(xiàn)，但對于尺度變化的目標，其跟蹤效果并不是特別理想。又因為只選用一個濾波器，以該濾波器響應值最大的位置作為目標的預測位置，分類器過于依賴循環(huán)矩陣，導致分類器容易受到污染，當目標在連續(xù)幾幀圖片中被遮擋時，KCF分類器容易被遮擋物污染，導致無法定位到目標。

如圖1 所示，圖（a）中紅色虛線框為遮擋前目標位置，紅色框為填充之后的圖像區(qū)域，白色框為循環(huán)矩陣產生的樣本；圖（b）中目標被遮擋，循環(huán)矩陣產生的樣本信息包含了大量遮擋物信息；依據(jù)（b）圖中受污染的分類器定位當前幀目標，跟蹤器容易陷入遮擋區(qū)域難以跳脫出來，如圖（c）示。

圖1 分類器污染過程

2.2 基于粒子繁衍的相關粒子濾波算法

2.2.1 融合相關粒子濾波跟蹤器

粒子濾波算法在非線性動態(tài)系統(tǒng)的狀態(tài)擬合中具有良好的性能體現(xiàn)[20]，得益于該算法獨特的樣本粒子采樣策略。為了提高跟蹤器的魯棒性，將粒子濾波采樣策略引入到KCF 跟蹤器中，緩解跟蹤器在陷入遮擋時難以跳脫污染區(qū)域的現(xiàn)象，并引入多尺度估計方法進行目標尺度更新。

當目標進入遮擋區(qū)域時，選用多個相關濾波模板對目標和背景信息進行學習，可以獲得更多的相關信息，提高目標和背景的辨識度，其中一個模板選用目標中心區(qū)域作為循環(huán)采樣中心，聯(lián)合其他相關濾波模板覆蓋整個目標區(qū)域，此處設置3 到5 個模板能夠覆蓋目標區(qū)域即可，分類器訓練過程中通過傅里葉變換可以簡化矩陣相乘帶來的計算量，使復雜度從O(n3)降至O(n lb n)，因此多濾波器對應的時間復雜度為O(kn lb n)，其中k 表示模板個數(shù)，n 表示矩陣規(guī)模，與目標區(qū)域大小相關。設其中第i 個模板的循環(huán)樣本集Xi=[x0,x1,…,xn]，其中每個樣本xi大小為P×Q，濾波器優(yōu)化目標函數(shù)：

其中，λ 為正則化系數(shù)，φ(·)表示核函數(shù)，結合（2）式可以計算得到濾波器系數(shù)α，更新系數(shù)得到第i 個分類器f(Xi)=wTφ(Xi)，其中i ∈[1,2,…,K]。結合粒子濾波算法，對下一幀圖片進行高斯隨機取樣，目標位置是通過粒子樣本加權定位，對取得的粒子樣本集P，設定優(yōu)先級閾值δt，利用分類器篩選有效粒子樣本，其中有部分粒子的權值較小，對位置預測沒有實質影響，此處設置閾值主要是為了篩選用于加權定位的有效粒子，如果響應值大于該閾值，認為粒子可以成為候選粒子，否則直接舍棄。根據(jù)式（3）粒子樣本的響應值計算：

得到每個分類器對應的粒子集后，對全體粒子依據(jù)其響應值大小，進行權重歸一化，舍棄權重較小的粒子樣本，于是每個粒子pi權重更新及對應目標位置估計為：

目標在移動過程中經常產生尺度變化，當目標尺度變大或者變小時，濾波器容易受到局部紋理影響或者學習到大量的背景信息，導致跟蹤精度降低。在目標尺度估計中，引入了多尺度因子，設置J 個尺度因子S={s1,s2,…,sj}，對定位到的目標尺寸進行多個尺度的縮放，再將計算結果與上一幀目標進行比較，其中響應值最大區(qū)域對應的尺度因子就是上一幀到當前幀目標縮放的比例：

其中，?表示濾波器與輸入圖像的相關性，fc表示上一幀中以目標中心區(qū)域訓練得到的濾波器，g 表示預測位置的候選目標圖像，該圖像尺度與上一幀中目標尺度一致，gh和gw分別表示圖像的高度和寬度，βscale表示尺度更新后的圖像大小。

如圖2 所示，在尺度更新過程中，以上一幀目標大小為固定尺寸，基于當前幀目標預測位置進行多尺度縮放，圖2中給出了5種尺度縮放的示例圖，此過程旨在尋找與上一幀中目標區(qū)域最相近的候選區(qū)域，即尋找與上一幀目標相關性響應值最大的區(qū)域。圖中S2尺度因子（縮放比例為1.00）對應的窗口區(qū)域與上一幀目標大小一致，此時并沒能保證目標尺度一致性，將多尺度縮放的候選區(qū)域依次與上一幀目標區(qū)域進行比較，將響應值最大區(qū)域對應的尺度因子作為上一幀到當前幀的最佳尺度更新因子，圖2 中為白色區(qū)域對應的尺度因子，即最佳縮放因子為S3。在目標移動過程中，上下幀的尺度變化往往不會發(fā)生突變，設置的尺度因子間隔如果足夠小，就可以非常近似地反映尺度變化情況。此處引入多尺度因子處理尺度變化問題，主要適用于目標尺度不會驟變的應用場景，在設置尺度因子時需要注意的是尺度更新的準確率由尺度因子的個數(shù)和大小決定，在實驗中設定了7個尺度因子來反映尺度變化情況，再從中選用最佳尺度因子。

圖2 尺度更新原理

目標通過粒子樣本加權定位，定位更具容錯率，在目標走出遮擋物時，依據(jù)隨機采樣方法，能夠更大概率地捕捉到走出遮擋物之后的目標圖像，促使跟蹤器跳脫出遮擋區(qū)域?；谠摱ㄎ辉俅瓮ㄟ^多模板訓練分類器，對下一幀目標進行定位，所以相關濾波器模型更新為：

其中，η 為插值系數(shù)，t 時刻的分類器f(Xt)根據(jù)當前幀樣本訓練得到的模型f′(Xt)與t-1 時刻的分類器f(Xt-1)通過線性插值的方式進行融合更新，同理，模型參數(shù)αt也通過當前幀的訓練得到的參數(shù)和t-1 時刻的模型參數(shù)αt-1更新得到，其過程如算法1所示。

算法1 融合相關粒子濾波算法（WPR-CPF）

輸入：視頻幀序列。

輸出：下一幀的目標預測位置。

1.For 對每一個視頻序列do：

2.K 個濾波器覆蓋當前幀目標（首幀目標已確定）

3.循環(huán)采樣生成分類器樣本集Xi=[x0,x1,…,xn]

4.訓練得到相關濾波分類器f(Xi)=wTφ(Xi)

5.在預測幀中采集粒子樣本（詳見下節(jié)）

6.將粒子集通過公式（5）進行相關性計算

7.通過（6）和（7）對候選粒子進行篩選并更新權重

8.根據(jù)公式（8）對篩選后粒子進行加權定位

9.通過公式（9）和（10）對定位的目標進行尺度更新

10.基于預測位置根據(jù)公式（11）和（12）進行模型更新

11.End for

2.2.2 改進的粒子濾波重采樣算法

粒子濾波算法通過從后驗概率中的隨機粒子分布來表達空間狀態(tài)分布，是一種順序重要性采樣方法[21-22]。在粒子權值更新中，容易產生粒子權值退化現(xiàn)象，針對該現(xiàn)象可以采用粒子重采樣方法進行緩解，一般粒子重采樣過程，直接通過復制大權值粒子的方式進行重采樣，但這種方式又容易導致粒子多樣性的匱乏，另外隨著粒子數(shù)量的增加，其計算量也會隨著變大。為了提高跟蹤效率并保證粒子多樣性，提出了一種基于粒子繁衍的重采樣算法，通過在大權值粒子（父粒子）周圍進行隨機采樣產生新的粒子，而不是簡單的對大權值粒子的完全復制，以此保證了粒子的多樣性并提高了計算效率。

首先用SIS（序貫重要性采樣）[23]方法對粒子群進行粒子篩選（選后粒子數(shù)Ns），對篩選后的粒子集歸一化權值，獲取大權值粒子集{X,W}，其中X 為粒子集，W為對應權重集，即：

設粒子總數(shù)為N，對于父粒子xi，以為重采樣子區(qū)間長度，則該區(qū)間的取樣半徑為，取樣中心為xi。詳細地，其第j 個分量，以該分量的取值為中心，以作為子區(qū)間中該分量長度范圍，則該粒子的第j 個分量的重采樣子區(qū)間為：

以高斯分布在子區(qū)間對粒子進行重采樣，設u=xi為在子區(qū)間抽樣的高斯分布均值，其標準差為σi。設該分布以較大概率對該子區(qū)間進行覆蓋，于是服從高斯分布的隨機變量x 應該滿足：

其中，Φ(·)為標準正態(tài)分布的積累分布函數(shù)。上式表明該分布能夠99.74%的概率覆蓋以均值為中心的，寬度為六倍的標準差的區(qū)間，保證了粒子的多樣性和狀態(tài)分布質量，其標準差為。

在每個子區(qū)間需重采樣的粒子數(shù)目與父粒子權重成正比，也反映了父粒子的權重信息，則第i 個粒子對應的子區(qū)間應該產生的粒子數(shù)為：

其中，wi為第i 個粒子的權重值，表示向上取整。引入粒子取舍閾值γt判定真正需要重采樣的粒子，如果需重采樣粒子數(shù)目不小于該閾值，則進行重采樣；否則，跳過該粒子。

此方法中每個生成的粒子因為隨機采樣而產生差異，保證了粒子多樣性。另外，標準粒子濾波算法需要對大權值粒子進行重復操作，在重采樣階段其算法復雜度為O(n2)，而在此算法中算法復雜度為O(n)，一定程度地減少了計算量，尤其是需要拋灑大量粒子進行狀態(tài)擬合時，這種差異更加明顯。偽碼如算法2所示。

算法2 基于粒子繁衍的重采樣算法（WPR）

輸入：重要性分布函數(shù)q(xk)，粒子總數(shù)N。

1.初始化大權值粒子計數(shù)器Ns=0；

2.For 1 ≤i ≤N do：

3.SIS采樣篩選重要性粒子：x~i～q(xk)；

5.If 粒子滿足重要性粒子條件do：

6. 更新大權值粒子計數(shù)器：Ns=Ns+1；

7.End for；

10.初始化計數(shù)器：r=0；

11.初始化需重采樣粒子數(shù)目：d=0；

12.計算粒子各分量區(qū)間長度：L=[L1,L2,…,Lm]；

13.For 對待采樣粒子{xi,i=1,2,…,Ns} do：

14.計算需重采樣粒子數(shù)目：d=w~i,k·N；

16.If d ≥γt：

18. 計算該粒子樣本的特征值；

19.更新粒子計數(shù)器：r=r+d；

20.End if；

21.End for；

本文提出的方法主要是針對目標遮擋和尺度變化問題進行研究，在操作上包含了兩種情況下的應對策略，在定位過程中其時間復雜度為T1(n)=max(O(kn lb n),O(n))=O(kn lb n)，在尺度變化過程中，利用已有的分類器模板對常數(shù)個尺度縮放后的候選區(qū)域作響應值計算，該時間復雜度為T2(n)=O(n lb n)。在實際應用需求中，目標并非一直處于遮擋狀態(tài)，或者并不是所有場景都會發(fā)生尺度變化，當目標進入遮擋區(qū)域時，跟蹤器容易丟失目標，對應的響應值會驟降，此時使用多個濾波器可以提高跟蹤器魯棒性，防止跟蹤器局限于目標遮擋區(qū)域，進而重新捕捉到目標。當目標離開遮擋區(qū)域后，多個濾波器的響應中心會趨于一樣，此時就可選用單濾波器進行分類器的訓練。在尺度變化中，濾波器響應值也會發(fā)生變化，引入尺度因子能夠非常近似地反映出尺度變化情況，從而完成尺度更新，提高跟蹤精度。實際應用需求中，可根據(jù)響應值變化使用相應的操作，最壞情況下，當尺度變化和目標遮擋同時存在時，提出的方法整體復雜度為T(n)=max(T1(n),T2(n))=O(kn lb n)。

3 實驗結果及分析

在算法的性能評估中，做了三部分的對比實驗，首先通過仿真實驗對提出的基于粒子繁衍的粒子濾波重采樣算法（WPR）進行了性能測試，與粒子濾波中應用廣泛的多項式重采樣算法（Multinomial Resampling，MR）進行了對比實驗。其次做了兩部分場景實驗，使用了5個濾波器對目標區(qū)域進行覆蓋，優(yōu)先級閾值設為0.95（響應值范圍[0，1]）。以HOG和CN融合特征作為目標特征，HOG 特征具有圖像幾何和光學不變性，CN 顏色特征具有旋轉不變性，將兩者通過矢量疊加的方式進行融合，提高了特征表達能力。在尺度估計中選用了尺度因子間隔0.5%的尺度系數(shù)，對應的尺度因子設置為S={0.985,0.990,0.995,1.00,1.005,1.010,1.015}。這三部分實驗環(huán)境都是在普通PC 機（Windows 10 系統(tǒng)，IntelI5，12 GB 內存）基于MATLAB R2016a 或Microsoft Visual Studio 2010（OpenCV2.4.11）等開發(fā)環(huán)境上實現(xiàn)。

3.1 仿真實驗

此實驗中，以單變量非穩(wěn)定性模型為系統(tǒng)模型，由于其典型的非線性，被廣泛用于非線性動態(tài)系統(tǒng)狀態(tài)估計，對應的狀態(tài)方程和觀測方程為：

模型的初始狀態(tài)服從標準正態(tài)分布，分布函數(shù)的均值和方差分別為0和2。過程噪聲Vk和觀測噪聲Wk初始化均值和方差都設為0和1，仿真步長為50，設定進行100 次Monte Carlo 仿真實驗，粒子數(shù)目從100 到5 000不等，粒子取舍閾值為1。

實驗結果如表1、表2 及圖3 所示。其中MR 和WPR算法在同樣的實驗條件下進行狀態(tài)估計，表1實驗數(shù)據(jù)表明，WPR 算法在平均誤差和執(zhí)行效率上的表現(xiàn)都優(yōu)于MR 算法，并且隨著粒子數(shù)目的增加，效率上提升更加明顯。另外，也對比了EKF 和UKF 兩種非線性狀態(tài)估計算法，實驗數(shù)據(jù)如表2 所示，結果表明在同樣的系統(tǒng)狀態(tài)估計中，EKF 和UKF 在效率上有著明顯的優(yōu)勢，但是在精度上卻不理想。圖3中分別展示了粒子數(shù)目為5 000 時，WPR 與MR 算法均方根誤差（RMSE）對比實驗結果，以及在相同系統(tǒng)模型中，與EKF、UKF的相關實驗對比結果。實驗結果表明WPR方法的均方根誤差最小，并且可以看出在粒子數(shù)為5 000 時WPR 和MR算法狀態(tài)估計結果非常接近真實狀態(tài)值，這也證明了理論上當粒子樣本足夠大時，可以無限接近真實的狀態(tài)估計值，而EKF、UKF 在該系統(tǒng)中的擬合效果較差。從實驗結果可知，提出的算法在目標狀態(tài)估計中具有更高的精度，其原因在于改進算法通過高斯隨機采樣保證了粒子多樣性，并且高斯采樣的粒子集中大部分為大權值粒子，權重越大說明該粒子狀態(tài)與目標狀態(tài)越接近，從而提高了粒子加權擬合的準確性，也反映了提出算法中粒子權重分布的有效性和合理性。

圖3 WPR、MR、EKF、UKF算法的對比結果

表1 MR、WPR算法性能比較

圖4 目標、背景顏色區(qū)分明顯

表2 4種算法性能比較

3.2 基于視頻的目標跟蹤場景實驗

粒子濾波算法因其在非線性非高斯系統(tǒng)中優(yōu)越的性能表現(xiàn)被廣泛應用于目標跟蹤領域，是生成類目標跟蹤方法中的經典代表。此實驗中，用粒子濾波算法（PF）與改進之后的融合濾波器（WPR-CPF）進行比較，粒子數(shù)目為100。

選擇了4種不同情況下的目標運動場景。場景一：一個足球運動員在足球場上運動，該場景下目標和背景顏色區(qū)分明顯，目標發(fā)生尺度變化；場景二：一輛深灰色吉普車在背景也為灰色的戈壁灘上運行，該場景下目標顏色特征與背景顏色相近；場景三：一個人在光線變化的走廊行走，光線發(fā)生變化，尺度發(fā)生變化；場景四：一個人穿過擁擠的人群，目標發(fā)生遮擋，有較多目標干擾。相關實驗結果如圖4、5所示，其中每個場景圖片里第一張圖片為本文提出跟蹤器實驗效果，第二張圖為粒子濾波算法實驗效果。

圖5 目標、背景顏色相近

場景實驗結果中，圖4 和圖5 分別是在目標顏色特征與背景顏色可明顯區(qū)分和不可明顯區(qū)分條件下的目標跟蹤結果。圖6 和圖7 分別是在光線、尺度變化和環(huán)境干擾、目標遮擋條件下的實驗結果。實驗表明以WPR-CPF 算法在每幀圖片中的每個粒子（即矩形取樣框）能夠更好地擬合目標位置，樣本更集中，粒子樣本在經過響應值計算之后，響應值超過閾值的粒子被保留下來，也就是粒子樣本響應中心越靠近目標中心則越容易成為候選粒子樣本，因此候選集粒子都是大權值粒子，有利于提高定位精度，結果如圖4和圖5中所示。在PF算法中，每幀圖片產生了大量偏離目標位置較遠的粒子，這些距離較遠的粒子（即小權重粒子）會降低目標跟蹤的性能，降低跟蹤精度。

圖6 光線變化、尺度變化

圖7 目標遮擋、環(huán)境復雜

圖6 中，在光線變化和尺度變化中，盡管采用了HOG 和CN 融合特征，提高了在光線變化中的容錯率，減少了單一特征的不確定性，PF 算法在光線變化過程中仍然容易受到光線變化影響，而融合濾波跟蹤器則更具魯棒性，同時保持尺度一致性。

圖7中，在復雜環(huán)境干擾和目標遮擋情況下，WPRCPF算法在目標發(fā)生部分遮擋時，通過多濾波器加權定位方式，增加了抗干擾能力，如圖中第二張截圖所示，盡管目標被部分遮擋，其定位效果仍然比較好，在第三張截圖中，目標走出遮擋之后，通過隨機采樣的策略能夠迅速捕捉到目標，再通過粒子篩選以及加權定位，防止跟蹤器局限于遮擋區(qū)域，而PF 算法在目標遮擋時粒子分散并且沒有通過粒子篩選，導致存在大量的無用粒子，影響目標定位。并且，在該視頻中，目標尺度變化比較小，WPR-CPF能比較好地保證尺度變化的一致性，而PF無法很好的保持尺度一致性。

通過粒子繁衍操作，得到的每個粒子都是獨立不同的個體，圖8為場景實驗三幀圖片中部分粒子坐標和權重數(shù)據(jù)，實驗選用了100 個粒子樣本，通過高斯隨機取樣的方式，獲得的每個粒子都具有不同的坐標和相應的權重值（不同粒子的權重可能相同）。所示部分粒子權值范圍0.989 2～0.992 9（圖中權值數(shù)據(jù)是歸一化之后的數(shù)據(jù)，所以粒子權值應該乘以系數(shù)100）。通過效果比較設置優(yōu)先級閾值為0.95對粒子進行篩選，但是此閾值并不具有標準性，實際應用中需根據(jù)拋灑的粒子數(shù)量及精度要求決定，如果粒子數(shù)目很多，則選用較大的優(yōu)先級閾值，以保證計算效率，如果粒子數(shù)目較少應該選用閾值較低一些，避免粒子數(shù)目過少，但是閾值設定應不低于0.90為宜，否則會導致精度降低。

圖8 部分粒子坐標及權重

3.3 基于OTB數(shù)據(jù)集實驗

盡管在跟蹤魯棒性和精度上，提出的融合濾波跟蹤器表現(xiàn)較粒子濾波算法更好，但是在跟蹤效率上因為涉及多濾波器定位以及尺度估計，其速度約為10 f/s，而PF速度能達到23 f/s，實現(xiàn)實時跟蹤。另外，因為視頻并非專有數(shù)據(jù)集，只能從實驗結果做定性分析，而無法做到定量分析，于是進行了基于OTB數(shù)據(jù)集的實驗，并且對比了幾種基于相關濾波的目標跟蹤方法。

在OTB 數(shù)據(jù)集中，選用了8 段視頻序列對WPRCPF跟蹤器進行性能評估，這些視頻序列至少包含光照變化、尺度變化、目標遮擋等問題中的一種。在同樣的視頻序列中對比了SAMF（藍色）、CSK（綠色）、KCF（黑色）等算法跟蹤效果，并且以OPE（One-Pass Evaluation，一次性通過評估）為評價標準，對比了KCF、CSK、SAMF、MTT、CXT 等算法在光照變化、尺度變化、目標遮擋等環(huán)境下的覆蓋率和成功率關系對比圖，以及總體估計精度比較，詳細結果如圖9、10所示。

如圖9，在8 段視頻數(shù)據(jù)中，提出的WPR-CPF 跟蹤器在總體成功率上比SAMF 提高了4.3%成功率，比KCF 和CSK 分別提高了9.7%和13.7%的總體成功率；在總體估計精度中比SAMF 提高了6.2%，比KCF 提高了8.9%，比CSK提高了16%，同時也給出了在尺度變化和目標遮擋環(huán)境下的重疊率和成功率的關系圖，結果如圖所示。圖中數(shù)據(jù)表明，提出的WPR-CPF 跟蹤器在一次性覆蓋成功率上較SAMF、KCF、CSK 等算法表現(xiàn)更好，尤其是在尺度變化、目標遮擋等環(huán)境中，提出的跟蹤器具有相對較好的魯棒性和抗干擾能力。

圖9 不同算法的OPE評價對比結果

圖10 8種實驗場景下不同算法的跟蹤效果

如圖10，選用的8 個視頻序列依次為[David，Singer1，CarScale，Jogging1，Soccer，Skating1，Walking2，Woman]。實驗序列中發(fā)生尺度變化、光線變化、目標遮擋等情況的有[David，Singer1，Soccer，Skating1，Woman]，發(fā)生尺度變化，目標遮擋等情況的序列有[CarScale，Walking2]，主要發(fā)生目標遮擋情況的有[Jogging1]。實驗結果表明，提出的跟蹤器較SAMF、KCF 及CSK 相比能更準確的定位到目標，并且能較好地保持尺度一致性。例如，在實驗序列[Jogging1]中，CSK和KCF在目標發(fā)生遮擋后，跟蹤器受到影響，目標丟失，能夠正確定位到目標的是WPR-CPF 以及SAMF 跟蹤器；在實驗序列[CarScale，Walking2]中，SAMF和WPR-CPF能夠比較準確定位到目標，在目標受到干擾和尺度變化后，CSK 和KCF 容易丟失目標或者尺度難以保持一致性。在實驗序列[Skating1，Singer1]中，隨著尺度和光線的變化，只有WPR-CPF 能夠較好地保持尺度一致性，而SAMF、CSK、KCF 等跟蹤器能夠定位到目標，但是尺度無法保持一致，造成準確率的降低。在處理速度上WPR-CPF能夠達到平均10 f/s的速度，高于SAMF處理速度（7 f/s），盡管效率上弱于KCF 跟蹤器，但是在處理遮擋問題和尺度變化問題上較KCF性能更優(yōu)。

4 結束語

針對目標跟蹤中的目標遮擋及尺度變化問題，本文針對性地提出一種基于粒子繁衍的相關粒子濾波目標跟蹤算法，該算法采用多個相關濾波器，學習到更多目標和背景信息，提高了目標和背景辨識度，并引進粒子濾波采樣策略進行隨機采樣，能夠快速地捕捉到走出遮擋后的目標。在尺度估計中用多尺度因子來確定尺度變化比例，從而進行尺度更新，提高了跟蹤精度。最后進行了三組對比實驗，驗證了提出算法的有效性。在今后的工作中，將主要優(yōu)化算法處理速度，在保證跟蹤精度的同時提高跟蹤效率。