孫新領(lǐng)，張 皓，趙 麗

1.河南工學(xué)院 計(jì)算機(jī)科學(xué)與技術(shù)系，河南 新鄉(xiāng)453003

2.山西大學(xué) 軟件學(xué)院，太原030013

1 引言

視覺(jué)跟蹤是計(jì)算機(jī)視覺(jué)中最重要的領(lǐng)域之一，已被應(yīng)用于多個(gè)領(lǐng)域，例如監(jiān)控和人機(jī)交互等。但是，當(dāng)存在遮擋、外觀和尺度變化情況下，仍然會(huì)引起各種問(wèn)題[1-3]。在各種視覺(jué)跟蹤算法中，均值漂移跟蹤（Mean Shift Tracking，MST）算法[4-6]是最常用的方法之一，它具有易于實(shí)現(xiàn)且計(jì)算時(shí)間消耗較少的優(yōu)點(diǎn)。MST方法的基礎(chǔ)是非參數(shù)密度估計(jì)器，由于它是使用顏色直方圖來(lái)表示模型，所以對(duì)部分遮擋和旋轉(zhuǎn)具有魯棒性。然而，MST 方法不能解決尺度變化、完全遮擋和模型改變等問(wèn)題。此外，在外觀和光照變化的條件下實(shí)現(xiàn)長(zhǎng)期跟蹤也十分困難[7-8]。

為了解決MST 的這些缺點(diǎn)，研究者已經(jīng)提出了多種基于MST 的改進(jìn)型跟蹤方案。例如，文獻(xiàn)[9]給出了一種改進(jìn)的MST算法（EM-Shift），其同時(shí)估計(jì)局部模式的位置和描述局部模式近似形狀的協(xié)方差矩陣。文獻(xiàn)[10]利用自適應(yīng)背景加權(quán)直方圖（BWH）方法來(lái)改進(jìn)MST算法，并嘗試將輪廓直方圖和空間直方圖結(jié)合起來(lái)，使其可以利用背景信息，有效地減少背景對(duì)目標(biāo)定位的干擾。但是，它無(wú)法處理對(duì)象的尺度變化。文獻(xiàn)[11]提出了一種稱(chēng)為尺度和方向自適應(yīng)MST 算法（SOAMST），使用加權(quán)圖像作為密度分布函數(shù)的尺度和方向，使其可以在MST 框架下估計(jì)物體的尺度和方向。但是SOAMST 算法對(duì)于目標(biāo)的遮擋問(wèn)題也無(wú)法處理。為此，一些學(xué)者融入了卡爾曼濾波器。例如，文獻(xiàn)[12]提出了一種將卡爾曼濾波與SOAMST 相結(jié)合的算法（KSOAMST），如果目標(biāo)被部分遮擋，則直接使用SOAMST跟蹤目標(biāo)；如果完全遮擋，則使用卡爾曼濾波器估計(jì)目標(biāo)下一幀的位置。但是，卡爾曼濾波的性能隨著非線性強(qiáng)度變大會(huì)明顯下降。文獻(xiàn)[13]使用MST進(jìn)行跟蹤，并利用它的相似性來(lái)調(diào)整卡爾曼濾波器的協(xié)方差。這種方法可以在被遮擋的情況下追蹤物體，但當(dāng)物體移動(dòng)速度變化較大時(shí)，無(wú)法跟蹤物體。

在本文中，提出了一種結(jié)合MST算法、探測(cè)器和粒子濾波器的目標(biāo)跟蹤方法。主要?jiǎng)?chuàng)新點(diǎn)為：提出一種具有半監(jiān)督學(xué)習(xí)能力的探測(cè)器來(lái)在線更新目標(biāo)模型，自適應(yīng)校正目標(biāo)尺度，以此解決傳統(tǒng)MST 方法無(wú)法應(yīng)對(duì)尺度變化的缺陷。此外，在發(fā)生完全遮擋時(shí)采用粒子濾波器估計(jì)目標(biāo)的位置，以此改善MST 無(wú)法處理完全遮擋的問(wèn)題。實(shí)驗(yàn)結(jié)果表明，該方法能夠成功跟蹤復(fù)雜環(huán)境中的目標(biāo)。

2 目標(biāo)跟蹤方法的框架

本文所提出的目標(biāo)跟蹤方法的流程圖如圖1所示，主要包括MST、探測(cè)器和粒子濾波器。首先，通過(guò)MST算法跟蹤對(duì)象，基于Bhattacharyya系數(shù)來(lái)確定是否跟蹤成功。如果該系數(shù)值低于特定閾值，則判定未成功跟蹤對(duì)象。此時(shí)，使用探測(cè)器重新初始化MST 的目標(biāo)位置和尺度。這個(gè)過(guò)程是基于模型匹配和學(xué)習(xí)過(guò)程。學(xué)習(xí)過(guò)程會(huì)不斷更新目標(biāo)模型，以加強(qiáng)探測(cè)器的性能。另外，粒子濾波器還可以準(zhǔn)確地估計(jì)目標(biāo)的位置，在發(fā)生完全遮擋時(shí)，通過(guò)目標(biāo)的先前行為來(lái)預(yù)測(cè)目標(biāo)的位置，以此解決經(jīng)典MST算法的缺點(diǎn)。

圖1 所提出跟蹤算法的流程圖

在發(fā)生完全遮擋的情況時(shí)，MST 和探測(cè)器都無(wú)法找到目標(biāo)。如果跟蹤器和探測(cè)器的相似性快速降低，則確定已發(fā)生完全遮擋，并且啟動(dòng)粒子濾波器預(yù)測(cè)目標(biāo)的位置。在所提出的方法中，假設(shè)目標(biāo)在x 和y 方向上以相同的速度移動(dòng)。這種假設(shè)是合理的，因?yàn)橥耆趽跬ǔ?huì)在短時(shí)間內(nèi)發(fā)生，因此目標(biāo)遵循幾乎恒定的速度模型。粒子濾波器可以根據(jù)目標(biāo)的先前行為估計(jì)目標(biāo)的位置和速度。在離開(kāi)遮擋情況之后，再次由探測(cè)器找到目標(biāo)并繼續(xù)跟蹤。

3 均值漂移跟蹤器

3.1 均值漂移算法

在經(jīng)典的MST算法中，用戶(hù)在第一幀中選擇目標(biāo)，并且使用歸一化的顏色直方圖來(lái)表示目標(biāo)模型[14]。目標(biāo)區(qū)域中的歸一化像素位置由確定，其中n 表示像素的數(shù)量。目標(biāo)模型由下式計(jì)算得到：

其中：

式（5）中的第一項(xiàng)與位置y 無(wú)關(guān)，所以最大化相似性與最大化式（5）中的第二項(xiàng)相同。將式（5）對(duì)y 求導(dǎo)數(shù)，并使其等于零，得到迭代優(yōu)化過(guò)程，稱(chēng)為均值漂移迭代。在均值漂移迭代中，估計(jì)的目標(biāo)從y0移動(dòng)到新位置y1。經(jīng)典MST的最終迭代公式定義為：

MST 算法適用于跟蹤通用對(duì)象。但是，當(dāng)連續(xù)幀之間的目標(biāo)位移相對(duì)較大時(shí)，它可能無(wú)法跟蹤對(duì)象。類(lèi)似地，如果目標(biāo)與其他對(duì)象重疊（遮擋），則算法可能會(huì)收斂到局部最小值。為解決這個(gè)缺點(diǎn)，需要重新初始化或重新啟動(dòng)檢測(cè)過(guò)程。此外，經(jīng)典MST 的一個(gè)局限是尺度適應(yīng)性。因?yàn)樗豢紤]目標(biāo)的尺度，所以無(wú)法準(zhǔn)確估計(jì)目標(biāo)的位置。

3.2 跟蹤器的模型更新

為了解決MST 的尺度問(wèn)題，需要?jiǎng)討B(tài)更新MST 跟蹤器的目標(biāo)模型，為此本文采用一種探測(cè)器來(lái)實(shí)現(xiàn)模型的更新。如果跟蹤器無(wú)法跟蹤目標(biāo)，此時(shí)探測(cè)器能夠以高可靠性找到目標(biāo)，并更新目標(biāo)模型。其以加權(quán)方式更新目標(biāo)的顏色直方圖，表示如下：

4 具備在線學(xué)習(xí)的探測(cè)器

探測(cè)器有助于重新初始化MST 的目標(biāo)尺度和位置。當(dāng)采用半監(jiān)督P-N 學(xué)習(xí)[17]的在線學(xué)習(xí)過(guò)程跟蹤物體時(shí)，探測(cè)器的性能得到有效改善。探測(cè)器基于滑動(dòng)窗口方法[18]，由三個(gè)部分級(jí)聯(lián)組成：方差濾波器部分、集成分類(lèi)部分和模型匹配部分。為了實(shí)時(shí)執(zhí)行提出的算法，探測(cè)器在驗(yàn)證區(qū)域中搜索目標(biāo)，而不是執(zhí)行窮舉搜索。

4.1 方差濾波器

探測(cè)器執(zhí)行的第一步是使用方差濾波器在圖像中找到候選子窗口。通常，方差可以區(qū)分開(kāi)結(jié)構(gòu)良好的對(duì)象和均勻背景。在該階段，將灰度值方差小于特定閾值σVF的所有子窗口都丟棄。這個(gè)閾值定義為初始目標(biāo)模型中方差的一半，因?yàn)榉讲顣?huì)根據(jù)目標(biāo)而改變。為了減少計(jì)算時(shí)間和內(nèi)存使用量，通過(guò)積分圖像計(jì)算每個(gè)子窗口的方差。為了計(jì)算每個(gè)子窗口B 的方差，需要使用兩個(gè)積分圖像。其中一個(gè)是位置( x,y )處的積分圖像I′，包含了圖像中點(diǎn)（1，1）和( x,y )之間的所有像素值的總和，可以表述為：

另一個(gè)積分圖像I″表示圖像I 的平方值，表示如下：

使用這些積分圖像，子窗口B 的方差可以表示為：

其中n 是圖像中的像素?cái)?shù)。

4.2 集成分類(lèi)器

通過(guò)方差濾波器過(guò)濾掉背景以后，執(zhí)行探測(cè)過(guò)程的第二步，即采用基于隨機(jī)化的集成分類(lèi)器，通過(guò)比較幾個(gè)像素的強(qiáng)度值對(duì)像素進(jìn)行分類(lèi)。此階段的輸入是一組通過(guò)方差濾波器輸出的子窗口。對(duì)于每個(gè)候選子窗口，計(jì)算一個(gè)概率，用于表示子塊是否對(duì)應(yīng)于正確標(biāo)簽。如果概率值小于0.5，則子窗口被拒絕。

集成分類(lèi)器由M 個(gè)子分類(lèi)器組成，每個(gè)子分類(lèi)器都執(zhí)行像素的強(qiáng)度值比較。在算法開(kāi)始時(shí)，從均勻分布中隨機(jī)提取像素的位置，并在跟蹤目標(biāo)期間固定像素的位置。每個(gè)子分類(lèi)器的輸出表示為：

其中，d1和d2是圖像I 中的隨機(jī)位置。最后，使用式（12）對(duì)每個(gè)子分類(lèi)器的概率進(jìn)行平均，當(dāng)平均概率大于0.5時(shí)，集成分類(lèi)器將子窗口分類(lèi)為目標(biāo)對(duì)象：

4.3 模型匹配

在通過(guò)分類(lèi)器對(duì)目標(biāo)像素進(jìn)行分類(lèi)后，執(zhí)行探測(cè)器的最后一步，即使用模型匹配方法搜索目標(biāo)。模型匹配過(guò)程會(huì)在探測(cè)圖像與目標(biāo)模型之間進(jìn)行逐像素的比較，當(dāng)兩者相似性大于特定閾值時(shí)，判斷該探測(cè)圖像為探測(cè)器找到的目標(biāo)模型。然后通過(guò)式（7）來(lái)更新MST 中的目標(biāo)模型，獲得尺度更新過(guò)的新目標(biāo)模型

為了減少計(jì)算時(shí)間，將輸入子窗口的大小調(diào)整為MtNt。在所提出的方法中，通過(guò)歸一化相關(guān)系數(shù)(NCC)來(lái)測(cè)量相似性。子窗口T1和T2之間的NCC 表示如下：

其中μ1和μ2,σ1和σ2分別是T1和T2的均值和標(biāo)準(zhǔn)差。使用NCC，兩個(gè)子窗口之間的距離計(jì)算如下：

在跟蹤期間，更新正類(lèi)和負(fù)類(lèi)的標(biāo)準(zhǔn)化模型。給定輸入子窗口Tin，正類(lèi)和負(fù)類(lèi)的距離表示為：

其中T+和T-分別是正類(lèi)和負(fù)類(lèi)的集合。那么，模型匹配概率的定義為：

該概率表示子窗口是否包括目標(biāo)，如果概率大于特定閾值σTM，則確定相應(yīng)的子窗口屬于目標(biāo)。

4.4 在線學(xué)習(xí)

P-N學(xué)習(xí)方法是一種半監(jiān)督學(xué)習(xí)方法，其使用兩種類(lèi)型的約束從未標(biāo)記數(shù)據(jù)中提取示例以增強(qiáng)訓(xùn)練集。一個(gè)是P 約束，它可以識(shí)別假陰性示例，然后將它們放入一個(gè)正類(lèi)訓(xùn)練集中。另一個(gè)是N 約束，它可以識(shí)別假陽(yáng)性示例，然后將它們添加到負(fù)類(lèi)訓(xùn)練集中。P-N學(xué)習(xí)的目標(biāo)是通過(guò)在標(biāo)記數(shù)據(jù)中的學(xué)習(xí)分類(lèi)，并將未標(biāo)記的數(shù)據(jù)進(jìn)行分類(lèi)以擴(kuò)充標(biāo)記數(shù)據(jù)集。

為了學(xué)習(xí)分類(lèi)器，使用了檢測(cè)到的目標(biāo)的反常子塊。P 約束的功能是找到目標(biāo)的新外觀，以便于探測(cè)器的泛化。它基于跟蹤器結(jié)果附近的子窗口將具有正標(biāo)簽的事實(shí)來(lái)搜索示例。也就是說(shuō)，P 約束用于分類(lèi)高度重疊的子塊。相比之下，N 約束的目的是在背景中發(fā)現(xiàn)雜亂像素點(diǎn)，以便于探測(cè)器的目標(biāo)檢測(cè)。

5 基于粒子濾波的位置估計(jì)

由于傳統(tǒng)MST 只會(huì)鎖定領(lǐng)域內(nèi)的局部最大值，當(dāng)遇到大面積遮擋時(shí)，MST 鎖定的目標(biāo)位置會(huì)與真實(shí)位置有偏差。這個(gè)偏差會(huì)隨著遮擋視頻幀的增加而持續(xù)擴(kuò)大，以致最后丟失目標(biāo)。為此，在發(fā)生嚴(yán)重遮擋時(shí)，本文啟動(dòng)粒子濾波器，用來(lái)估計(jì)遮擋時(shí)的目標(biāo)位置。在遮擋過(guò)后，根據(jù)所估計(jì)的位置，使MST 能夠快速搜索到目標(biāo)。

粒子濾波器能夠?yàn)榘l(fā)生遮擋時(shí)的目標(biāo)跟蹤提供很強(qiáng)的魯棒性，這是因?yàn)樗炔皇芟抻诰€性系統(tǒng)，也不要求噪聲服從高斯分布。粒子濾波中，將目標(biāo)可能的位置是真實(shí)位置的概率作為粒子。前一幀中的所有粒子會(huì)以狀態(tài)傳遞函數(shù)的形式轉(zhuǎn)換到當(dāng)前幀，雖然粒子位置和權(quán)重都發(fā)生變化，但它仍能提供最近似實(shí)際位置的目標(biāo)位置。

為了估計(jì)系統(tǒng)的后驗(yàn)狀態(tài)，定義一個(gè)目標(biāo)模型，如下所示：

式中，fm-1為目標(biāo)狀態(tài)的非線性函數(shù)；wm-1為白噪聲序列，代表狀態(tài)預(yù)測(cè)的不確定性。當(dāng)前時(shí)間m(m ≥1)的在線離散預(yù)測(cè)zm由下式確定：

式中，hm為非線性函數(shù)，um為零均值的白噪聲序列，表示預(yù)測(cè)中的誤差。

粒子濾波的迭代過(guò)程分為兩個(gè)部分：（1）預(yù)測(cè)；（2）更新。

在預(yù)測(cè)階段，利用系統(tǒng)模型及m 時(shí)刻的初始概率密度，通過(guò)積分運(yùn)算獲得m-1 時(shí)刻的概率密度，表達(dá)式如下：

其中，zm={ }zi:i=1,2,…,m 為給定的在線觀測(cè)序列。

在更新階段，在給定先驗(yàn)概率密度p(x1|z0)≡p(x1)、狀態(tài)函數(shù)形式(f)、外觀模型(h)以及最終預(yù)測(cè)時(shí)刻的情況下，每一時(shí)間步長(zhǎng)處估計(jì)后驗(yàn)密度p(x0:m|z1:m)表達(dá)式如下：

對(duì)于目標(biāo)跟蹤的應(yīng)用，需要從初始給定的概率密度p(x1)中獲取N 個(gè)觀測(cè)樣本。為了獲得一致性的粒子觀測(cè)值，需要為這些粒子樣本分配一致性權(quán)重，表示如下：

由于假設(shè)目標(biāo)狀態(tài)變化為馬爾可夫鏈，則后驗(yàn)概率可以描述為：

式中，δ(?)表示狄拉克δ 函數(shù)。

本文提出的實(shí)時(shí)目標(biāo)跟蹤方法的偽代碼如算法1所示。

算法1 提出的目標(biāo)跟蹤算法

初始化：

1. 通過(guò)式（1）計(jì)算目標(biāo)模型q?，并初始化位置y0；

2. 初始化參數(shù)；

3. 基于在第一幀中的目標(biāo)選擇進(jìn)行學(xué)習(xí)；

執(zhí)行：

6. 確定是否目標(biāo)跟蹤成功

則通過(guò)式（16）計(jì)算跟蹤器輸出的子塊和正類(lèi)樣本集中子塊的相似性STM（模型匹配概率）；

如果(STM＞σTM)

則跟蹤器提供正類(lèi)和負(fù)面圖像子塊，并執(zhí)行學(xué)習(xí)。

否則

通過(guò)粒子濾波，基于跟蹤器中的目標(biāo)位置來(lái)估計(jì)位置。

否則

通過(guò)粒子濾波預(yù)測(cè)目標(biāo)的位置；

通過(guò)式（16）計(jì)算探測(cè)器探測(cè)的子塊與正類(lèi)樣本集的相似性STM；

如果(STM＞σTM)

通過(guò)粒子濾波估計(jì)位置和尺度；

為跟蹤器更新目標(biāo)模型；

否則

通過(guò)粒子濾波預(yù)測(cè)目標(biāo)的位置；

7. 返回到第4步驟；

輸出：

估計(jì)的目標(biāo)位置和尺度。

6 實(shí)驗(yàn)及分析

6.1 實(shí)驗(yàn)設(shè)定

實(shí)驗(yàn)使用的測(cè)試視頻序列來(lái)自PETS 2009數(shù)據(jù)集，這些視頻中包含了遮擋、背景雜亂和外觀變化在內(nèi)的各種環(huán)境。實(shí)驗(yàn)在具有英特爾酷睿i7-3.40 GHz CPU，8 GB RAM PC機(jī)上的MATLAB上編程執(zhí)行。

使用這些視頻序列進(jìn)行性能評(píng)估，并與一些基于MST的改進(jìn)方法進(jìn)行比較，分別為經(jīng)典MST跟蹤器、文獻(xiàn)[10]提出的結(jié)合自適應(yīng)背景加權(quán)直方圖的BWH-MST方法、文獻(xiàn)[12]提出的卡爾曼濾波與SOAMST相結(jié)合的算法（K-SOAMST）。MST算法使用基于顏色直方圖的目標(biāo)模型迭代估計(jì)對(duì)象的位置。BWH-MST 使用背景加權(quán)直方圖解決了背景復(fù)雜的問(wèn)題。K-SOAMST算法改善了MST 在尺度估計(jì)和方向估計(jì)等方面存在的問(wèn)題，并結(jié)合卡爾曼濾波提高對(duì)遮擋的應(yīng)對(duì)能力。

對(duì)于基于均值漂移框架的跟蹤器，使用RGB 顏色空間，并且每個(gè)通道被均等地分成16 個(gè)區(qū)域以表示目標(biāo)和候選，而且都應(yīng)用Epanechnikov內(nèi)核。對(duì)于本文提出的算法，Bhattacharyya 系數(shù)的閾值σVF（用于確定跟蹤是否成功）設(shè)置為0.65。粒子濾波器中的粒子數(shù)量設(shè)置為30。對(duì)于探測(cè)器，相似性的閾值σTM定義為0.6。用于更新目標(biāo)模型的β 設(shè)置為0.9。這些值是通過(guò)多次實(shí)驗(yàn)結(jié)果確定的。

6.2 性能指標(biāo)

為了評(píng)估跟蹤算法性能，使用兩個(gè)性能指標(biāo)。第一個(gè)是中心位置誤差（CLE），它可以測(cè)量估計(jì)物體的中心位置與實(shí)際數(shù)據(jù)之間的誤差，定義如下：

其中，xe和ye表示跟蹤結(jié)果的中心位置，xg和yg表示實(shí)況數(shù)據(jù)的中心位置。

第二個(gè)性能指標(biāo)是成功率（SR），定義如下：

其中，Re是跟蹤結(jié)果的邊界框，Rg是實(shí)況數(shù)據(jù)的邊界框。如果SR 大于0.5，則判定跟蹤結(jié)果為成功。

6.3 性能評(píng)估

為客觀地評(píng)估所提出的算法與其他基于均值漂移的跟蹤算法（MST、BWH-MST 和K-SOAMST），選擇了四個(gè)具有挑戰(zhàn)性的視頻序列來(lái)構(gòu)建測(cè)試數(shù)據(jù)集，分別為Ball序列，Car1序列，Car2序列，和Person1序列。其中，Ball 序列存在目標(biāo)快速移動(dòng)，Car1 序列包含了遮擋情況，Car2序列包含了尺度變化情況，Person1序列存在光照變化。

圖2 舉例顯示了在Car1 序列和Car2 序列上各種算法的跟蹤結(jié)果。圖2（a）顯示了在存在完全遮擋情況下的跟蹤情況。在完全遮擋之前，每個(gè)跟蹤器都可以估計(jì)目標(biāo)位置。然而，在經(jīng)過(guò)完全遮擋之后，只有本文算法可以跟蹤目標(biāo)。K-SOAMST 也具有處理遮擋的能力，但是在該視頻序列中，汽車(chē)目標(biāo)移動(dòng)較快，非線性較強(qiáng)，導(dǎo)致卡爾曼濾波的性能下降。在本文方法中，粒子濾波可以很好地應(yīng)對(duì)非線性和非高斯環(huán)境，為此能夠糾正跟蹤過(guò)程。在圖2（b）的序列中，目標(biāo)發(fā)生了尺度變化。在這個(gè)視頻序列中，所有算法都可以跟蹤目標(biāo)，其中本文算法和K-SOAMST 算法的尺度估計(jì)準(zhǔn)確性較高，能夠自適應(yīng)調(diào)整目標(biāo)的尺度。這是因?yàn)楸疚乃惴ㄖ腥谌肓擞糜诔叨日{(diào)整的探測(cè)器過(guò)程。

圖2 各種基于MST算法的跟蹤結(jié)果

各種算法在4個(gè)視頻序列上的平均CLE和SR性能指標(biāo)如表1和表2所示。

表1 平均中心位置誤差（CLE）

表2 平均跟蹤成功率（SR） %

從表1 和表2 所示的結(jié)果可以看到，本文算法都獲得了最佳結(jié)果。對(duì)于Ball 序列，目標(biāo)快速移動(dòng)，使得它在連續(xù)幀之間的位移很大。雖然MST算法無(wú)法跟蹤目標(biāo)，但本文算法在此序列上表現(xiàn)良好。這是因?yàn)榱Ｗ訛V波器基于先前的目標(biāo)運(yùn)動(dòng)軌跡，精確地估計(jì)目標(biāo)位置，從而減少目標(biāo)在連續(xù)幀之間的位移，這使得MST 算法能夠成功地跟蹤對(duì)象。此外，當(dāng)MST 算法無(wú)法跟蹤對(duì)象時(shí)，探測(cè)器會(huì)找到目標(biāo)位置并重新初始化MST 算法。在Car1 序列中，目標(biāo)在15 幀中經(jīng)歷完全遮擋。本文算法在目標(biāo)重新出現(xiàn)后表現(xiàn)良好，這是因?yàn)榱Ｗ訛V波器在目標(biāo)完全遮擋時(shí)預(yù)測(cè)目標(biāo)位置，并且當(dāng)目標(biāo)再次出現(xiàn)時(shí)，MST 算法可以使用所預(yù)測(cè)的目標(biāo)位置成功跟蹤目標(biāo)。在Car2 序列中，目標(biāo)的尺度變小。本文方法在探測(cè)器的幫助下估計(jì)目標(biāo)尺度。在Person1 序列中，當(dāng)目標(biāo)模型由于光照變化而改變時(shí)，MST和BWH-MST算法無(wú)法跟蹤目標(biāo)。

另外，各種算法每幀目標(biāo)跟蹤的平均計(jì)算時(shí)間如表3所示。其中，基于MST的跟蹤器最顯著的優(yōu)勢(shì)在于可以在較短時(shí)間內(nèi)跟蹤目標(biāo)，為此各種方法的計(jì)算時(shí)間都不是很高，都在15 ms 以?xún)?nèi)。其中，傳統(tǒng)MST 算法計(jì)算時(shí)間最短為3.85 ms。盡管所提出的算法包含探測(cè)和學(xué)習(xí)過(guò)程，但本文在探測(cè)過(guò)程中調(diào)整了輸入子窗口的大小，使其計(jì)算速度并沒(méi)有增加太多，為11.55 ms。

表3 跟蹤算法的執(zhí)行時(shí)間

上述實(shí)驗(yàn)結(jié)果表明，本文算法不僅具有良好的跟蹤性能，且所需要的計(jì)算時(shí)間也較少，因此可以成功地應(yīng)用于實(shí)時(shí)跟蹤應(yīng)用。這是因?yàn)楸疚奶岢龅乃惴ńY(jié)合了傳統(tǒng)MST 算法和粒子濾波算法，具備了MST 算法運(yùn)算量少，跟蹤速度快，以及粒子濾波算法的魯棒性高和抗干擾、抗遮擋能力強(qiáng)的優(yōu)點(diǎn)。

7 結(jié)語(yǔ)

本文提出了一種基于改進(jìn)MST 的實(shí)時(shí)跟蹤算法，將MST 與粒子濾波器和基于在線學(xué)習(xí)的探測(cè)器相結(jié)合，這使得算法能夠在包含完全遮擋或?qū)ο笾匦鲁霈F(xiàn)的復(fù)雜環(huán)境中跟蹤目標(biāo)，且可以使用探測(cè)器估計(jì)目標(biāo)的尺度。與具有挑戰(zhàn)性的視頻序列上的比較表明，所提出的算法在準(zhǔn)確性方面表現(xiàn)良好。

但是，本文算法仍有一些局限性。例如，在發(fā)生遮擋時(shí)，本文假設(shè)目標(biāo)以相同的速度移動(dòng)。為了解決這個(gè)缺點(diǎn)，在今后的工作中將考慮引入一個(gè)基于復(fù)雜運(yùn)動(dòng)模型的非線性濾波框架。