陳志旺 王昌蒙 王 瑩 宋 娟 彭 勇

(燕山大學(xué)工業(yè)計(jì)算機(jī)控制工程河北省重點(diǎn)實(shí)驗(yàn)室 秦皇島 066004)(燕山大學(xué)國(guó)家冷軋板帶裝備及工藝工程技術(shù)研究中心 秦皇島 066004)

0 引 言

目標(biāo)跟蹤的主要任務(wù)是給定視頻序列中的第一幀目標(biāo)的初始狀態(tài)(目標(biāo)位置、目標(biāo)框尺度)，在后續(xù)的視頻序列中去估計(jì)目標(biāo)新的運(yùn)動(dòng)軌跡或狀態(tài)，它是計(jì)算機(jī)視覺(jué)中的一個(gè)基礎(chǔ)問(wèn)題。目標(biāo)跟蹤技術(shù)已經(jīng)廣泛應(yīng)用在安防監(jiān)控、人機(jī)交互、機(jī)器人、軍事偵查、智能交通[1]等領(lǐng)域，其實(shí)用價(jià)值日益增強(qiáng)。經(jīng)過(guò)多年的研究，目標(biāo)跟蹤技術(shù)已經(jīng)有了長(zhǎng)足的發(fā)展和進(jìn)步，但依舊面臨著很多復(fù)雜環(huán)境下的挑戰(zhàn)，如目標(biāo)外形變化、光照變化、遮擋、背景復(fù)雜等，這些因素都將導(dǎo)致目標(biāo)漂移甚至跟蹤失敗。

跟蹤方法可以分為基于生成模型的跟蹤和基于判別模型的跟蹤。生成模型跟蹤方法應(yīng)用特征空間來(lái)描述目標(biāo)，學(xué)習(xí)一個(gè)有代表性的目標(biāo)模型，利用該模型去搜索圖像區(qū)域，按照模式匹配的方法，在圖像中找到和該模型最匹配的區(qū)域即為目標(biāo)。比較典型的例子有均值漂移Meanshif[2]、粒子濾波Particle Filter[3]和L-K光流算法[4]。判別模型將跟蹤看成一個(gè)二分類(lèi)問(wèn)題，由構(gòu)建的正負(fù)樣本訓(xùn)練最優(yōu)分類(lèi)面，把目標(biāo)和背景在圖片中區(qū)分開(kāi)來(lái)，將分類(lèi)器置信度最大的位置作為檢測(cè)到的目標(biāo)位置?；谥С窒蛄繖C(jī)[5](support vector machines，SVM)的方法，基于隨機(jī)森林[6](random forest，RF)分類(lèi)器的方法都是判別模型跟蹤方法的代表。近幾年，相關(guān)濾波理論被應(yīng)用于判別模型跟蹤算法中，取得了較好的跟蹤效果。

2010年，Bolme等人[7]提出了最小均方誤差輸出和(minimum output sum of squared error, MOSSE)相關(guān)濾波器，首次將相關(guān)濾波應(yīng)用到目標(biāo)跟蹤算法上，應(yīng)用灰度等級(jí)圖像提取單通道特征圖，在訓(xùn)練和檢測(cè)過(guò)程中利用相關(guān)濾波的性質(zhì)，將時(shí)域的卷積操作轉(zhuǎn)化為頻域的點(diǎn)乘，使計(jì)算效率大大提高。2014年，Henriques等人[8]把核技巧引入到脊回歸中，提出了核相關(guān)濾波器(kernelized correlation filters,KCF)目標(biāo)跟蹤算法，應(yīng)用核函數(shù)把低維空間不可分地映射到高維核空間變?yōu)榫€(xiàn)性可分，應(yīng)用循環(huán)矩陣進(jìn)行正負(fù)樣本采集，由于循環(huán)矩陣在傅里葉空間可對(duì)角化，所以可將復(fù)雜的矩陣運(yùn)算轉(zhuǎn)化為元素的點(diǎn)乘，提高了運(yùn)算速度，同時(shí)利用脊回歸訓(xùn)練目標(biāo)檢測(cè)器，進(jìn)一步提升了跟蹤算法的性能。此后，很多研究者基于KCF跟蹤算法進(jìn)行了改進(jìn)，大量論文相繼發(fā)表出來(lái)。胥方等人[9]針對(duì)核相關(guān)濾波(KCF)算法對(duì)快速移動(dòng)目標(biāo)跟蹤中由于邊界效應(yīng)導(dǎo)致誤差跳動(dòng)與跟蹤丟失的問(wèn)題，提出了基于核相關(guān)濾波的自適應(yīng)跟蹤算法。Danelljan等人[10]利用顏色(color-names,CN)特征來(lái)構(gòu)建目標(biāo)外觀特征，將RGB三通道的顏色轉(zhuǎn)換成11 種顏色特征，使用主成分分析[11](principal components analysis，PCA)將11維特征降至2維，得到目標(biāo)低維顏色特征，然后選擇最為明顯的顏色作為目標(biāo)特征進(jìn)行跟蹤。文獻(xiàn)[12]設(shè)計(jì)了2個(gè)相關(guān)濾波器，一個(gè)2維的位置濾波器和一個(gè)1維的尺度濾波器，分別實(shí)現(xiàn)目標(biāo)的位置跟蹤和目標(biāo)尺度變換，STAPLE算法[13]提出一種融合算法，用方向梯度方圖(HOG)特征和顏色直方圖特征2種互補(bǔ)的特征因子對(duì)目標(biāo)進(jìn)行學(xué)習(xí)，融合跟蹤算法，在跟蹤速度有所提高的同時(shí)，也保證了跟蹤效果。張立國(guó)等人[14]考慮到應(yīng)用環(huán)境復(fù)雜，跟蹤算法對(duì)光照變化魯棒性不強(qiáng)，導(dǎo)致目標(biāo)跟蹤時(shí)數(shù)據(jù)丟失、實(shí)時(shí)跟蹤時(shí)檢測(cè)速度不夠等問(wèn)題，結(jié)合哈希指紋特征對(duì)光照變化魯棒性強(qiáng)的特點(diǎn)，提出一種多尺度(multi-scale)感知哈希(Hash)特征的目標(biāo)跟蹤算法，即Mhash算法。

隨著深度學(xué)習(xí)在視覺(jué)分類(lèi)和檢測(cè)領(lǐng)域獲得突破性的進(jìn)展，由于其強(qiáng)大的特征學(xué)習(xí)能力使其在跟蹤領(lǐng)域也逐漸得到重視。DLT[15](deep learning tracking)是第一個(gè)在目標(biāo)跟蹤算法中引入深度學(xué)習(xí)的方法 。隨后，越來(lái)越多的深度神經(jīng)網(wǎng)絡(luò)模型，如自動(dòng)編碼機(jī)[16]、卷積神經(jīng)網(wǎng)絡(luò)[17](convolutional neural networks ,CNN)、循環(huán)神經(jīng)網(wǎng)絡(luò)[18](recurrent neural network,RNN)、孿生(siamese)網(wǎng)絡(luò)[19]等都被應(yīng)用到了目標(biāo)跟蹤領(lǐng)域，并在跟蹤效果上取得了較好的績(jī)。用于跟蹤的高效卷積運(yùn)算符(efficient convolution operators for tracking，ECO)[20]是C-COT[21]的改進(jìn)版本，C-COT在OTB100[22]上獲得了較好的效果，并且在VOT2016[23]獲得了第1名，ECO在C-COT的框架上旨在通過(guò)解決計(jì)算復(fù)雜度和過(guò)擬合問(wèn)題來(lái)同時(shí)提高速度和跟蹤效果。文獻(xiàn) [24]在ECO的基礎(chǔ)上，只用CNN提取的特征，將CNN的淺層特征和深層特征進(jìn)行融合，使追蹤器具有較好的性能。Bhat等人[25]通過(guò)分析淺層特征和深層特征的特征差異，提出兩種特征分而治之，深層特征部分加入了數(shù)據(jù)增強(qiáng)，增加訓(xùn)練樣本數(shù)量，兩部分響應(yīng)圖自適應(yīng)融合，得到最優(yōu)的目標(biāo)定位結(jié)果。STRCF算法[26]將空間正則化和時(shí)間正則化應(yīng)用到判別相關(guān)濾波(discriminative correlation filter，DCF)框架中，使算法對(duì)目標(biāo)遮擋具有很強(qiáng)的魯棒性，并且能很好地適應(yīng)目標(biāo)較大的外觀變化，應(yīng)用交替方向乘子法(alternating direction method of multipliers，ADMM)，在不降低效率的情況下提高了跟蹤的準(zhǔn)確性和速度。

本文在ECO算法的基礎(chǔ)上，為了提高算法的跟蹤速度，CNN提取的特征圖進(jìn)行插值處理時(shí)采取分層插值，分辨率較高的淺層特征不插值，分辨率低的深層特征插值，以此降低插值操作帶來(lái)的復(fù)雜運(yùn)算，提高跟蹤速度；在生成樣本空間策略上，保留了所有的樣本信息，使訓(xùn)練樣本集有更豐富的多樣性，并且考慮到每個(gè)特征層的權(quán)重不同對(duì)樣本的分類(lèi)會(huì)產(chǎn)生影響從而影響跟蹤效果，為不同特征層分配了不同的權(quán)重；為了能更好地應(yīng)對(duì)目標(biāo)尺度的變換，應(yīng)用文獻(xiàn)[12]提出的1維尺度濾波器對(duì)目標(biāo)尺度變換進(jìn)行估計(jì)，把尺度的候選數(shù)從ECO算法中的5個(gè)增加到33個(gè)，使尺度估計(jì)更加魯棒。

1 ECO算法介紹

1.1 連續(xù)卷積算子

(1)

通過(guò)學(xué)習(xí)一個(gè)線(xiàn)性卷積算子Sf{xj}，該算子通過(guò)尋找圖片區(qū)域中最大置信分?jǐn)?shù)來(lái)估計(jì)新一幀目標(biāo)位置，在連續(xù)域方程中，算子Sf{xj}是由一系列卷積濾波器f=(f1,f2,…,fd,…,fD)構(gòu)造出的，定義卷積算子為

(2)

這里*表示卷積運(yùn)算，下同。每個(gè)特征通道首先用式(1)進(jìn)行插值操作，然后和對(duì)應(yīng)的濾波器卷積，最后所有卷積響應(yīng)加起來(lái)產(chǎn)生最終的置信函數(shù)Sf{xj}。

每個(gè)訓(xùn)練樣本xj由卷積算子的期望輸出yj所標(biāo)定，所以相關(guān)濾波器的損失函數(shù)公式為

(3)

式中，αj表示每個(gè)訓(xùn)練樣本的權(quán)重，w是空間正則化懲罰項(xiàng)，M表示訓(xùn)練樣本的個(gè)數(shù)，通過(guò)最小化函數(shù)式(3)來(lái)訓(xùn)練濾波器f。

雖然C-COT算法在跟蹤效果上取得了非常好的效果，但是該算法模型參數(shù)多，需更新的參數(shù)達(dá)800 000個(gè)，這么多參數(shù)除了速度慢，還容易引起過(guò)擬合；C-COT生成訓(xùn)練樣本集的方法是把每一幀的跟蹤結(jié)果放在一個(gè)訓(xùn)練集中，這樣隨著視頻越來(lái)越長(zhǎng)，訓(xùn)練集就會(huì)越大，在更新模型時(shí)還是容易過(guò)擬合。

1.2 因式分解卷積操作

=f*PTJ{xj}

(4)

式(4)可以看作2步，首先把插值的特征圖乘以PT，得到C維的特征圖，然后再和相應(yīng)的濾波器f進(jìn)行卷積。因?yàn)镃

1.3 樣本空間模型生成

在ECO中，作者應(yīng)用高斯混合模型來(lái)生成訓(xùn)練樣本集，目的在于消除冗余和增加訓(xùn)練樣本集的多樣性。通過(guò)樣本x和目標(biāo)輸出y的聯(lián)合概率分布p(x,y)，應(yīng)用高斯混合模型將目標(biāo)損失函數(shù)式(3)進(jìn)一步完善，用下式來(lái)訓(xùn)練濾波器：

(5)

式中，L是高斯分組的個(gè)數(shù)，θl是第l個(gè)分組的權(quán)重，ul是期望。從式(5)可以發(fā)現(xiàn)，高斯期望ul和權(quán)重θl直接替換了式(3)中的xj和αj，在L個(gè)分組中，每個(gè)組內(nèi)樣本高度相似，代表某種特定場(chǎng)景，組與組間差異較大，增加了訓(xùn)練樣本的多樣性，減小了訓(xùn)練樣本集的大小，用式(5)代替式(3)來(lái)訓(xùn)練濾波器。

2 改進(jìn)方法

2.1 CNN特征層分層插值

從第1節(jié)的介紹可以知道，C-COT和ECO跟蹤算法提出一種用于學(xué)習(xí)連續(xù)空間域中的卷積算子的新公式，利用插值模型從預(yù)訓(xùn)練好的深度網(wǎng)絡(luò)中提取出多分辨率特征圖。式(1)中利用了雙立方插值對(duì)提取的特征圖進(jìn)行插值處理。

雙立方插值的本質(zhì)是把圖像某個(gè)像素點(diǎn)最近的16個(gè)像素點(diǎn)權(quán)重卷積之和作為新的像素值。雙立方插值能得到精確的插補(bǔ)圖形，但也計(jì)算復(fù)雜，所以速度也很慢。在ECO算法中，應(yīng)用了CNN卷積神經(jīng)網(wǎng)絡(luò)提取的特征和人工設(shè)計(jì)的HOG特征進(jìn)行融合，CNN卷積神經(jīng)網(wǎng)絡(luò)選用的是VGGNet模型。圖1是應(yīng)用VGGNet網(wǎng)絡(luò)對(duì)輸入的圖片通過(guò)不同的卷積層提取的特征圖的可視化過(guò)程，本文里使用的是16層的VGGNet，應(yīng)用第3個(gè)卷積層(對(duì)應(yīng)圖1中的Layer1)提取的特征作為淺層特征和第14個(gè)卷積層(對(duì)應(yīng)圖1中的Layer5)提取的特征作為深層特征。

圖1 VGGNet各層卷積特征圖

ECO應(yīng)用雙立方插值把特征圖變?yōu)檫B續(xù)域來(lái)提高分辨率，由于雙立方插值計(jì)算比較復(fù)雜，如果對(duì)每層特征圖像都進(jìn)行插值無(wú)疑增加了計(jì)算的復(fù)雜度，從而影響跟蹤的速度。對(duì)于卷積神經(jīng)網(wǎng)絡(luò)提取的特征來(lái)說(shuō)，淺層特征更有利于目標(biāo)的精確定位，而且淺層特征包含了較復(fù)雜的視覺(jué)信息，分辨率比較高，深層特征更能表達(dá)圖像的語(yǔ)義信息，能夠提高跟蹤器的魯棒性，但是分辨率會(huì)比較低。所以，為了提高跟蹤算法的速度，提出了對(duì)提取的特征進(jìn)行分層插值的改進(jìn)方法，對(duì)于分辨率較高的淺層特征不進(jìn)行插值，對(duì)包含較多語(yǔ)義信息的深層特征進(jìn)行插值。從圖1可以看出，隨著卷積層的增加，提取的特征越抽象，而且特征圖的分辨率也越來(lái)越低，對(duì)深層特征進(jìn)行插值來(lái)提高其分辨率非常有必要，圖2是對(duì)深層特征圖插值與不插值進(jìn)行的對(duì)比。

圖2 插值對(duì)比

圖2中，左圖是提取的未進(jìn)行插值處理的深層特征圖，右圖是對(duì)左圖進(jìn)行雙立方插值處理后的特征圖，可以看到直接提取的深層特征圖的分辨率非常低，在經(jīng)過(guò)插值處理后，深層特征圖的分辨率大大提高，對(duì)提高跟蹤器的魯棒性有很大的作用。插值的特征圖的公式可以用下式表示：

(6)

式(6)是對(duì)特征層進(jìn)行插值的公式，和式(1)一樣，bd(t)是插值函數(shù)，c2∈{1,…,c2,…,C2}是深層特征第c2個(gè)通道，ch∈{1,…,ch,…,Chog}表示HOG特征的第ch個(gè)通道，那么卷積算子的公式為

(7)

2.2 樣本空間分類(lèi)策略

第1節(jié)介紹了樣本空間模型的生成方法，利用概率密度分布和高斯混合模型(GMM)把訓(xùn)練樣本集的個(gè)數(shù)分成L個(gè)，更新GMM時(shí)采用Declercq和Piater提出的在線(xiàn)更新算法。給定一個(gè)新樣本xj，首先用θm=γ，um=xj初始化一個(gè)新的分組m，如果所分的組數(shù)超過(guò)設(shè)定的值，則對(duì)GMM進(jìn)行簡(jiǎn)化；如果某一分組的權(quán)重θl低于預(yù)先設(shè)置好的閾值，則用新樣本替換該組，否則合并2個(gè)距離最近的組k和l為一組，合并后的權(quán)重和均值由下式得到。

(8)

隨著視頻幀的不斷讀取，這種生成訓(xùn)練樣本集合的策略會(huì)把一些圖片從組中剔除掉，用新的一幀代替，這些被替換掉的圖片與分組中的圖片也存在著很高的相似性，這樣直接替換掉會(huì)使在訓(xùn)練樣本時(shí)可能會(huì)丟掉一些信息，使訓(xùn)練不充分，對(duì)后面進(jìn)行模型更新時(shí)會(huì)產(chǎn)生影響?；谏厦娴姆治龊脱芯?，本文在樣本集合分組上進(jìn)行了改進(jìn)，把所有的圖片都進(jìn)行保留，不進(jìn)行替換，只進(jìn)行合并。后面的實(shí)驗(yàn)結(jié)果也驗(yàn)證了改進(jìn)策略的有效性。

在應(yīng)用高斯混合模型(GMM)進(jìn)行訓(xùn)練樣本集合分組時(shí)，要用到提取的所有特征層的信息進(jìn)行計(jì)算來(lái)決定最終當(dāng)前幀圖片的分組情況。由于每種提取的特征在跟蹤時(shí)對(duì)跟蹤效果影響不同，簡(jiǎn)單的等權(quán)值融合在一起可能會(huì)導(dǎo)致不好的結(jié)果，所以應(yīng)給不同的特征層分配不同的權(quán)重來(lái)提高分組的效果。不同特征層的權(quán)重分配可以用下式來(lái)表示：

(9)

2.3 多尺度估計(jì)濾波器

針對(duì)目標(biāo)運(yùn)動(dòng)過(guò)程中出現(xiàn)的尺度變化問(wèn)題，一個(gè)理想的尺度估計(jì)方法可以精確有效地對(duì)目標(biāo)的大小進(jìn)行檢測(cè)提高跟蹤準(zhǔn)確率。判別尺度空間跟蹤(discriminative scale space tracker，DSST)算法是一種精確有效的尺度估計(jì)方法，采用1維的相關(guān)濾波器進(jìn)行尺度估計(jì)，稱(chēng)為尺度濾波器，它可以將所提出的尺度估計(jì)的方法移植到任意算法中去，以下對(duì)DSST尺度估計(jì)濾波器的原理進(jìn)行介紹。

尺度濾波器是為適應(yīng)目標(biāo)尺度的變化設(shè)計(jì)的一維濾波器，用來(lái)估計(jì)目標(biāo)的尺度變化，算法中尺度評(píng)估的原則為

(10)

其中，W和R分別為前一幀目標(biāo)的寬和高，a為尺度因子，用來(lái)對(duì)目標(biāo)大小的控制，S為估計(jì)尺度的個(gè)數(shù)。

設(shè)輸入樣本xj中某一圖像塊的維度為D，為了得到最佳尺度相關(guān)濾波器fscale，最小化代價(jià)函數(shù)：

(11)

其中，*表示卷積，g為期望輸出，d表示特征的某一維度，φ為權(quán)重系數(shù)。將其轉(zhuǎn)換到復(fù)頻域中采用帕斯瓦爾(Parseval’s formula)定理求解可得：

(12)

(13)

(14)

其中，η是學(xué)習(xí)率。

設(shè)Zj為以上一幀預(yù)測(cè)的目標(biāo)位置為中心的圖像塊，Zj為其經(jīng)離散傅里葉變換得到的變量，即選定的正樣本區(qū)域，在新的一幀中可通過(guò)求解離散傅里葉變換(DFT)：

(15)

3 實(shí) 驗(yàn)

3.1 結(jié)果分析

本文實(shí)驗(yàn)硬件環(huán)境為Intel Core(TM) i7-8700K 3.70 GHz CPU，內(nèi)存(RAM)16 GB，算法開(kāi)發(fā)平臺(tái)Matlab 2016b。為了更好地評(píng)估跟蹤方法的性能，在實(shí)驗(yàn)中，采用OTB100數(shù)據(jù)集對(duì)跟蹤算法進(jìn)行跟蹤性能評(píng)估。首先對(duì)本文算法和ECO算法在跟蹤速度上進(jìn)行了實(shí)驗(yàn)對(duì)比，從OTB100中選擇了10個(gè)具有代表性的視頻序列對(duì)其跟蹤速度進(jìn)行了測(cè)試，測(cè)試結(jié)果如表1所示。從表1中可以看出，本文的方法在跟蹤速度上比ECO算法有非常大的提高。這也說(shuō)明在對(duì)提取的特征圖進(jìn)行分層插值的方法是可行的，可以提高跟蹤速度。

表1 部分視頻跟蹤速度對(duì)比結(jié)果

圖3是在OTB100測(cè)試集上跟蹤算法的成功率曲線(xiàn)圖，其中，圖3(a)為距離精度曲線(xiàn)圖，圖3(b)為重合度成功率曲線(xiàn)圖。從圖3中可以看出，在整體的跟蹤效果上，本文算法(Ours)無(wú)論是在距離精度上還是在重合度成功率上都比ECO算法要好，而且還超過(guò)了其他目前比較流行的算法，比如核相關(guān)濾波(KCF)跟蹤算法。在精確度上，本文算法(Ours)的結(jié)果為89.6%，ECO算法為87.8%，提高了2.05%，在成功率上，本文算法(Ours)的結(jié)果為81.6%，ECO算法為81.2%。

本文中使用多尺度濾波器，把目標(biāo)的尺度估計(jì)從ECO算法中的5個(gè)改進(jìn)為DSST算法中提出的33個(gè)。圖4是針對(duì)目標(biāo)尺度變化進(jìn)行的測(cè)試對(duì)比，從圖4中可以看到，在OTB100測(cè)試集中，有45個(gè)視頻序列目標(biāo)的尺度是不斷在發(fā)生變化的。曲線(xiàn)圖的結(jié)果顯示，本文的算法在面對(duì)目標(biāo)尺度變化時(shí)跟蹤的精確度為85.2%，成功率為78.0%，ECO算法的跟蹤精確度為84.2%，成功率為77.9%，可以看出，本文的算法在精確度和成功率上都比ECO中的尺度估計(jì)要好，也表明本文提出的尺度估計(jì)方法能較好地應(yīng)對(duì)目標(biāo)尺度的變化，在一定程度上同時(shí)提高了目標(biāo)的精確度和成功率。

圖3 總體成功率

3.2 樣本空間分類(lèi)策略實(shí)驗(yàn)

在第2.2節(jié)中，對(duì)ECO的樣本空間生成進(jìn)行了改進(jìn)，改進(jìn)方法有2點(diǎn)：(1)不替換，所有樣本都保留分到不同組中；(2)在分組時(shí)給不同特征層分配不同的權(quán)重。針對(duì)不替換策略來(lái)生成樣本空間模型，在OTB100上做了單獨(dú)測(cè)試，測(cè)試結(jié)果如表2所示。為了找到最合適的權(quán)重分配，在OTB100上也做了大量實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表3所示。

圖4 尺度變化曲線(xiàn)

表2中加粗的數(shù)據(jù)是2種算法中表現(xiàn)最佳的數(shù)據(jù)，從表2中可以看出，當(dāng)對(duì)生成樣本空間采用不替換策略時(shí)，本文的算法在快速移動(dòng)、運(yùn)動(dòng)模糊、平面內(nèi)旋轉(zhuǎn)、低分辨率、遮擋、尺度變化屬性下精確度和成功率都超過(guò)了ECO算法；在形變和平面外旋轉(zhuǎn)屬性下，精確度超過(guò)了ECO，成功率略低或持平；在出視野屬性下，精確度和ECO持平，成功率高于ECO；但在背景復(fù)雜和光照變化下，略低于ECO。但是從整體的效果上看，在成功率上雖然與ECO持平，但是在精確度上好于ECO算法，說(shuō)明本文提出的不替換策略在一定程度上是能夠提升跟蹤效果的。

從表3中給CNN提取的淺層和深層特征分配權(quán)重不同所得到的結(jié)果可以看到，當(dāng)淺層特征分配的權(quán)重為0.8，深層特征權(quán)重為0.2時(shí)，所得到的結(jié)果最好，其中成功率為81.6%，高于ECO，在精確度上為87.6%，略低于ECO。

表2 不替換策略精確度與成功率對(duì)比

表3 不同特征層權(quán)重分配精確度與成功率對(duì)比

4 結(jié) 論

在基于深度特征加人工特征與相關(guān)濾波相結(jié)合ECO目標(biāo)跟蹤算法的基礎(chǔ)上，對(duì)其進(jìn)行了3方面的改進(jìn)。在跟蹤速度上，采取對(duì)CNN提取的特征層進(jìn)行分層插值的方法，對(duì)其進(jìn)行了改進(jìn)，改進(jìn)后算法的跟蹤速度比原來(lái)的速度有了很大的提高；在生成樣本空間時(shí)，為了能保留訓(xùn)練樣本更多的信息，保留了所有圖片，并且在分組時(shí)，考慮到各層權(quán)重不同會(huì)影響分組情況，即訓(xùn)練樣本集，從而影響跟蹤效果，所以給淺層和深層特征分配了不同的權(quán)重；為了能更好地估計(jì)目標(biāo)的尺度變化，對(duì)ECO的尺度估計(jì)進(jìn)行了改進(jìn)，把DSST提出的尺度估計(jì)方法引入到本文中。在OTB100上的實(shí)驗(yàn)結(jié)果表明，本文算法無(wú)論是在跟蹤速度上還是在跟蹤效果上，都比ECO算法有所提升。