吳 大 偉

(東北林業(yè)大學交通學院，黑龍江 哈爾濱 150040)

目標跟蹤是利用最優(yōu)化算法分析目標位置等信息的一種關鍵技術，已被廣泛應用于智能交通監(jiān)控和公安刑偵等領域。目標跟蹤領域存在著目標形變、遮擋和光照等挑戰(zhàn)性難點，因此魯棒的目標跟蹤算法研究具有非常重要的意義。當前，目標跟蹤算法可分為生成式模型和判別式模型，生成式模型主要利用目標的聯(lián)合分布進行建模，常見有粒子濾波[1]和卡爾曼濾波等[2]跟蹤算法。判別式模型是通過訓練分類器來識別被跟蹤目標，常見有相關濾波器[3-7]和深度學習算法[8-10]。當前，判別式模型已成為跟蹤領域的主流研究方向。Zhang在相關濾波器跟蹤算法的基礎上提出了基于貝葉斯框架的時空上下文跟蹤算法，有效利用了上下文信息提高分類器的判別性能[5]。Martin等[11]提出了ECO(Efficient Convolution Operators)跟蹤算法，融合了深度特征和相關濾波器進行跟蹤，具有較高的跟蹤性能。Pan等[12]提出了融合相關濾波器和Siamese網(wǎng)絡的實時跟蹤框架，建立了一個在線模板庫，克服了因遮擋導致跟蹤器被污染的問題。

盡管相關濾波器跟蹤算法具有較強的跟蹤性能，然而濾波器模板極易受到目標形變等干擾，導致模板不準確性。本文提出一種基于形變—自適應的模板更新策略，根據(jù)目標的形變程度自適應調整濾波器模板，從而提升跟蹤性能。

1 形變—自適應的目標跟蹤算法

1.1 跟蹤濾波器

近年來Martin等[11]提出了ECO跟蹤算法，克服了模型漂移問題。本文將采用ECO-HC算法作為基準跟蹤濾波器，利用顏色和HOG特征描述表征被跟蹤目標。設x為被跟蹤目標特征，d個特征通道，J{x}為映射到空間連續(xù)域的特征卷積，P=(pd,c)(c

(1)

然而ECO-HC算法每隔N幀更新一次模型，訓練樣本的多樣性導致濾波器模板往往更新不及時，甚至很容易受到目標形變等干擾，基于此本文研究了目標形變的特點，提出了一種有效的更新策略來改善濾波器模板的準確性，從而提高目標跟蹤精度。

1.2 基于上下文信息的形變—自適應更新策略

(2)

CPSRt=St+St/St-1

(3)

式(3)中的第二項St/St-1為校正項，其物理意義表征前后幀的形變程度；若當前幀的St>St-1，則表示形變程度減小，應該增加當前幀的置信水平；相反，應該降低當前幀的置信水平，而St/St-1準確地表征了這種變化。

傳統(tǒng)的學習率是固定的，但當目標變形時，應該自適應地調整濾波器模板。若形變嚴重，則應降低學習率；如果變形不嚴重，則增加學習率，從而提高模型與模板之間的匹配度。算法將保留歷史所有CPSRt，形成一個集合CP={CPSR1，CPSR2，…,CPSRt}，學習率可設置為:

(4)

式(4)是預先設置的閾值。當CPSRt/m大于某一閾值時，表明當前濾波器具有較高的置信度和較小的目標變形,應及時將當前濾波器更新到模板中，因此可設置一個較大的學習率α；相反，應該設置一個較小的學習率β。本文閾值設置為0.9，α=0.015，β=0.009；相反，應該將學習率設置為較小的值。因此，相關濾波器模板的更新方式為:

(5)

2 實驗結果與分析

本文算法命名為DA-ECO(Deformation-Adaptive ECO Tracking，形變—自適應跟蹤算法)，將DA-ECO算法與其他6個頂級前沿算法進行比較，包括ECO-HC[11]，fDSST[4]，CSR-DCF[6]，KCF[7]，Struck[13]，MEEM[14]。算法選取了10個標注“Deformation”的形變視頻作為形變數(shù)據(jù)庫(來源網(wǎng)站http://cvlab.hanyang.ac.kr/tracker benchmark/)。利用成功率(Success Rate)作為評價標準，成功率是指跟蹤目標的邊框區(qū)域與人工標定的準確值的重疊率大于某個閾值(一般閾值設為0.5)的幀數(shù)占全部幀數(shù)的比值。

表1為不同算法在形變數(shù)據(jù)集上的平均成功率，標有*是最佳結果，標有**次之，標有***是第三好的結果，本文DA-ECO算法為81.2%，明顯高于ECO-HC和CSR-DCF等算法。由于本文算法能夠根據(jù)目標形變自適應調整被跟蹤模板，有效抑制形變導致模板的不準性，具有形變的魯棒性。圖1為針對Couple,Skating1和Skating2-1共3個具有明顯形變的目標跟蹤結果，將本文與其他4個前沿性算法比較，包括ECO-HC，fDSST，KCF及Struck，能夠準確跟蹤目標的矩形框為DA-ECO算法結果，可見DA-ECO算法可以有效跟蹤目標，沒有出現(xiàn)漂移等現(xiàn)象。

表1 不同算法在形變數(shù)據(jù)集上的平均成功率 %

3 結語

本文提出了一種形變—自適應更新策略，構造了上下文峰值旁瓣比CPSR特征，該特征可有效描述被跟蹤目標相對于跟蹤模板的形變程度，根據(jù)CPSR特征調整模板的學習率，從而保證跟蹤模板的準確性和魯棒性。實驗結果表明，在形變數(shù)據(jù)庫上，本文DA-ECO算法均優(yōu)于ECO-HC，CSR-DCF和fDSST等算法，具有更高的成功率。然而，本文算法僅利用了顏色和HOG特征表征被跟蹤目標，下一步將研究和設計基于深度特征模板的自適應更新策略，并集成到目標跟蹤算法中。