譚建豪 殷 旺 劉力銘 王耀南

(湖南大學(xué)電氣與信息工程學(xué)院 長沙 410082)

(機器人視覺感知與控制技術(shù)國家工程實驗室 長沙 410082)

1 引言

目標(biāo)跟蹤是計算機視覺領(lǐng)域最基本也是最有挑戰(zhàn)的熱點研究問題之一，基于視覺的運動目標(biāo)跟蹤已經(jīng)廣泛應(yīng)用在監(jiān)控系統(tǒng)、無人機視覺系統(tǒng)、軍事偵查、人機交互以及無人駕駛等領(lǐng)域[1]。

近年來，目標(biāo)跟蹤主要分為兩類，基于相關(guān)濾波的方法和基于深度網(wǎng)絡(luò)方法。相關(guān)濾波方法如Henrique等人[2]提出的核相關(guān)濾波器(Kernelized Correlation Filter, KCF)算法、Danelljan等人[3]提出的空間正則化判別相關(guān)濾波器(S p a t i a l l y Regularized Discriminative Correlation Filters,SRDCF)算法，該類方法引入了核技巧，提高了跟蹤器效率，但相關(guān)濾波方法僅考慮相鄰幀間的相關(guān)特征信息，當(dāng)目標(biāo)出現(xiàn)漂移或遮擋時容易出現(xiàn)跟丟。隨著深度卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展，以孿生卷積網(wǎng)絡(luò)來提取深度特征，進行相似度衡量的方法具有較好的跟蹤性能。孿生全卷積(Siamese Fully-Convolutional, SiamFC)算法[4]采用兩個網(wǎng)絡(luò)分支，模板分支和目標(biāo)分支，通過相關(guān)層計算相似性，在速度和精度上獲得較好的性能?；谙嚓P(guān)濾波器的跟蹤(Correlation Filter based tracking, CFNet)算法[5]在目標(biāo)分支中引入相關(guān)濾波層對文獻[4]進行改進，在線調(diào)整目標(biāo)模型。動態(tài)孿生網(wǎng)絡(luò)(Dynamic Siamese network, DSiam)[6]通過設(shè)計在線動態(tài)調(diào)整模型，提高了性能。上述Siamese系列算法雖然取得了一定的跟蹤精度和速度，但仍存在一些問題。首先，大多數(shù)孿生網(wǎng)絡(luò)算法是基于AlexNet骨干網(wǎng)絡(luò)，其提取的特征都是淺層的外觀特征,缺乏深度特征，雙分支孿生神經(jīng)網(wǎng)絡(luò)(twofold Siamese network, SA-Siam)算法[7]使用兩個Siamese網(wǎng)絡(luò)，一個用于提取語義信息的網(wǎng)絡(luò)，另一個用于構(gòu)建外觀模型，將語義信息合并到響應(yīng)圖中，彌補深度信息的不足，但它們都是直接從卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks, CNN)中獲取的局部特征，并沒有獲取全局上下文特征。

針對以往骨干網(wǎng)絡(luò)難以提取深層特征，且外觀模型不具有全局上下文特征兩個問題，本文在Siamese網(wǎng)絡(luò)思想的基礎(chǔ)上重新進行網(wǎng)絡(luò)設(shè)計與搭建，提出一種引入全局上下文信息模塊的Dense-Net孿生網(wǎng)絡(luò)目標(biāo)跟蹤算法。其創(chuàng)新有：(1)采用密集網(wǎng)絡(luò)DenseNet作為骨干網(wǎng)絡(luò)，提出一種全新端到端深度密集連體結(jié)構(gòu)網(wǎng)絡(luò)，它在減少網(wǎng)絡(luò)參數(shù)的同時，將層與層之間的特征在channel上進行拼接從而達(dá)到特征重用，提高了泛化能力；(2)在網(wǎng)絡(luò)中加入全局上下文模塊(Global Context feature Module, GC-Model)，通過全局池化、 1×1特征變化、特征融合等步驟將全局上下文信息進行聚合，用以提升該算法的跟蹤性能。

2 骨干網(wǎng)絡(luò)結(jié)構(gòu)

2.1 殘差網(wǎng)絡(luò)結(jié)構(gòu)

網(wǎng)絡(luò)的深度對于模型的性能是至關(guān)重要的，He等人[8]在實驗中發(fā)現(xiàn)，網(wǎng)絡(luò)層數(shù)增加到一定程度時，網(wǎng)絡(luò)準(zhǔn)確度會出現(xiàn)飽和，甚至出現(xiàn)下降，并且不是過擬合所導(dǎo)致的問題，因此，殘差網(wǎng)絡(luò)由此產(chǎn)生，對于一個堆基層結(jié)構(gòu)，當(dāng)輸入為 x時其所學(xué)習(xí)到的特征記作H (x)，我們期望真實地學(xué)習(xí)到殘差

因此，原始的學(xué)習(xí)特征為 F(x)+x，殘差學(xué)習(xí)相比原始特征學(xué)習(xí)容易，且實際殘差不會為0，這讓堆基層在輸入特征的基礎(chǔ)上能夠?qū)W習(xí)到新特征，從而具有更好的性能。

ResNet網(wǎng)絡(luò)是在VGG19網(wǎng)絡(luò)的基礎(chǔ)上進行修改，并引入殘差模塊，該網(wǎng)絡(luò)為后續(xù)密集型網(wǎng)絡(luò)DenseNet提供了理論與經(jīng)驗基礎(chǔ)。

2.2 DenseNet網(wǎng)絡(luò)結(jié)構(gòu)

3 全局上下文特征模型(GC-Model)

3.1 長距離依賴捕獲方法

非局部神經(jīng)網(wǎng)絡(luò)(Non Local neural Network,NLNet)[11]采用自注意力機制來建模像素對關(guān)系，但是其對于每一個位置學(xué)習(xí)不受限制依賴的注意力圖(attention map), 造成了很大的計算資源浪費。

NLNet旨在從其他位置聚集信息來增強當(dāng)前位置的特征， x 和z 定義為該網(wǎng)絡(luò)結(jié)構(gòu)的輸入與輸出，則NLNet可以表示為

NLNet[11]將每個查詢位置進行全局上下文聚合，提供了一種非局部特征捕獲的開創(chuàng)性方法，該類方法旨在提取視覺場景的全局理解，廣泛應(yīng)用于識別、物體檢測、分割等領(lǐng)域。為了模擬全局上下文特征，SENet[12],GENet[13]對不同通道執(zhí)行重新加權(quán)操作，以重新校準(zhǔn)具有全局上下文的通道依賴性。

如圖2(b)所示為SENet網(wǎng)絡(luò)結(jié)構(gòu)，其可以大致理解成3個過程：網(wǎng)絡(luò)中全局平均池化用于上下文建模，增強位置的特征；通道權(quán)值計算，即1×1卷積、RELU和Sigmoid等計算，使用特征轉(zhuǎn)換來獲取通道間的依賴；通道特征重標(biāo)定。

3.2 GC-Model網(wǎng)絡(luò)模型

GC-Model是結(jié)合了SENet計算量小以及NLNet全局上下文能力等優(yōu)點提出了非局部操作網(wǎng)絡(luò)[14]，其計算量相對較小，又能夠很好地融合全局信息，在目標(biāo)檢測中取得了重要的提升。

GC-Model中非局部操作可分為3個過程[14]：(1)用于上下文建模的全局注意力集中機制，采用1×1卷積Wk和Softmax函數(shù)來得到自注意權(quán)重，然后進行注意力集中獲取全局背景特征；(2)特征轉(zhuǎn)換獲取通道依賴性；(3)特征融合，全局上下文模型的詳細(xì)結(jié)構(gòu)如圖3所示，可表示為式(4)GC-Model是輕量級的模型，能夠獲取遠(yuǎn)程非局部特征，且能靈活地插入各個視覺問題的網(wǎng)絡(luò)架構(gòu)中，本文將GC-Model放入骨干DenseNet網(wǎng)絡(luò)架構(gòu)中，用以提升網(wǎng)絡(luò)訓(xùn)練的泛化性能。

圖1 DenseNet的網(wǎng)絡(luò)結(jié)構(gòu)

圖2 兩種長距離依賴模型圖

4 本文SD-GCNet算法

4.1 孿生網(wǎng)絡(luò)目標(biāo)跟蹤框架

近年來，SiamFC開啟了深度學(xué)習(xí)方法在目標(biāo)跟蹤領(lǐng)域的大門，通過端到端網(wǎng)絡(luò)學(xué)習(xí)，使用相似度學(xué)習(xí)的方法來實現(xiàn)目標(biāo)跟蹤。其網(wǎng)絡(luò)框架如圖4所示。

孿生網(wǎng)絡(luò)通過建立兩個分支進行訓(xùn)練，兩分支所使用的骨干網(wǎng)絡(luò)完全一致，在SiamFC中，采用互相關(guān)函數(shù) f(z,x)作 為相似度函數(shù)，計算經(jīng)過φ 之后的特征提取后的特征圖相似性[15]

圖3 全局上下文GC-Model模塊

其中，*表示卷積， kI表示響應(yīng)圖在每個位置的取值。

4.2 本文目標(biāo)跟蹤算法框架

上述第2節(jié)，第3節(jié)詳細(xì)地介紹了骨干網(wǎng)絡(luò)架構(gòu)和孿生網(wǎng)絡(luò)架構(gòu)的基本信息。(1)DenseNet網(wǎng)絡(luò)是一種密集連接型網(wǎng)絡(luò)，在構(gòu)建更深層網(wǎng)絡(luò)的同時減少了層之間的參數(shù)量，能夠增強算法的泛化性能，并且能夠解決訓(xùn)練過程中的梯度消失問題；(2)GCNet綜合了SENet計算量小以及NLNet全局上下文能力等優(yōu)點，其計算量相對較小，又能夠很好地融合全局信息，可融入任何骨干網(wǎng)絡(luò)當(dāng)中用以提升性能；(3)孿生網(wǎng)絡(luò)的網(wǎng)絡(luò)架構(gòu)方式已經(jīng)在目標(biāo)跟蹤上取得了較好的跟蹤性能，且實時性較好。據(jù)此以上述3個研究成果為出發(fā)點，整理思路，本文通過假設(shè)、組合、實驗驗證等一系列步驟，最終得出本文SDGCNet目標(biāo)跟蹤網(wǎng)絡(luò)框架。其網(wǎng)絡(luò)框圖如圖5所示。

本文提出一種引入全局上下文信息模塊的Dense-Net孿生網(wǎng)絡(luò)目標(biāo)跟蹤算法SiamDenseNet+GCModel，簡稱SD-GCNet，其核心思想是以密集型網(wǎng)絡(luò)DenseNet作為孿生網(wǎng)絡(luò)的骨干[16]，在骨干網(wǎng)絡(luò)中引入GC-Model，搭建SD-GCNet網(wǎng)絡(luò)框架。

為了更加明顯地表示網(wǎng)絡(luò)結(jié)構(gòu)，特以表1形式進行展示。

4.3 損失函數(shù)

SD-GCNet網(wǎng)絡(luò)實際上是一種判別的二分類方法，在正負(fù)樣本對上采用極大似然估計進行訓(xùn)練，本文采用Logistic損失函數(shù)，如式(6)

圖4 孿生網(wǎng)絡(luò)目標(biāo)跟蹤框架圖

圖5 SD-GCNet算法框架

表1 網(wǎng)絡(luò)結(jié)構(gòu)

對每一個像素位置o ，都有對應(yīng)的標(biāo)簽y。當(dāng)位置 o 與圖像中心位置的距離在一個閾值內(nèi)時，將其視為正樣本，否則視為負(fù)樣本。

5 實驗與結(jié)果

5.1 算法實現(xiàn)細(xì)節(jié)

本文算法實現(xiàn)與調(diào)試在ubuntu16.04操作系統(tǒng)下，計算機硬件配置為Intel Core i7-8700k 主頻3.7 GHz, GeForce RTX2080TI顯卡。

SD-GCNet算法在ILSVRC2015和GOT-10K數(shù)據(jù)集共6000個視頻序列上進行訓(xùn)練，該數(shù)據(jù)集具有各種各樣的視頻目標(biāo)對象，具備一定的普遍性。本文采用隨機梯度下降(Stochastic Gradient Descent,SGD)優(yōu)化算法以動量參數(shù)為0.9訓(xùn)練網(wǎng)絡(luò)，學(xué)習(xí)率從10?8～ 10?3在訓(xùn)練過程中逐漸遞減，用高斯函數(shù)初始化參數(shù)，batchsize設(shè)置為16。通過5種尺寸1.0327{?2,?1,0,1,2}上的搜索對象來調(diào)整尺寸變化，輸入候選圖像尺寸為127×127，搜索圖像尺寸為255×255，使用線性插值來更新尺寸。

5.2 實驗結(jié)果分析

為驗證本文提出的SD-GCNet算法可靠性，特在VOT2017數(shù)據(jù)集上對算法進行定量評估，在OTB50數(shù)據(jù)集上對算法進行定性分析，從多個數(shù)據(jù)集多種角度驗證算法的有效性和優(yōu)越性。

5.2.1 定量分析

如表2所示，為本文算法在VOT2017[17]數(shù)據(jù)集上與目前較為主流的6種目標(biāo)跟蹤算法SiamFC,SiamVGG[18], DCFNet[19], SRDCF[3], DeepCSRDC,Staple[20]在精確度、魯棒性等指標(biāo)上的性能對比，其中表中魯棒性用跟丟次數(shù)來衡量，SiamFC,SiamVGG, DCFNet為深度學(xué)習(xí)算法，SRDCF,DeepCSRDCF, Staple為相關(guān)濾波算法。

由表2可知，本文算法在目標(biāo)跟蹤的精確度上均高于其余算法，與用VGG-16作為骨干網(wǎng)絡(luò)SiamVGG算法相比，在VOT2017數(shù)據(jù)集上，其精確度提升了1.9%，平均重疊期望提升了1.0%，與以AlexNet作為主干網(wǎng)絡(luò)的SiamFC算法相比，則性能提升更多，這更進一步驗證了本文DenseNet作為主干網(wǎng)絡(luò)的優(yōu)越性。

為了進一步分析該算法的優(yōu)缺點，本文提供了其在VOT2017數(shù)據(jù)集上的具體屬性對比，包括相機移動、目標(biāo)丟失、光照變化、運動變化、目標(biāo)遮擋、尺度變化共6種屬性。

表3和表4分別列出了上述6種屬性下算法的跟蹤精度和跟蹤魯棒性，其中，加粗?jǐn)?shù)字表示排名第1，藍(lán)色數(shù)字表示排名第2，從表中可以看出，本文算法除光照變化外，其跟蹤精度均處于最優(yōu)位置，在跟蹤魯棒性上，相機移動和尺度變化也處于領(lǐng)先位置，其余均排在前列。由此表明，本文算法具有較好的跟蹤精度，在較多復(fù)雜的條件下也能有較好的跟蹤魯棒性。

5.2.2 定性分析

圖6給出了本文算法與另外4種算法SiamFC,SRDCF, Staple, Struck[21]在OTB50[22]上的跟蹤結(jié)果，表5表示了測試序列的影響因素。

根據(jù)圖6的跟蹤結(jié)果和表5的影響因素對算法進行如下定性分析：

(1) 快速運動：以測試序列Bolt和Ironman為例，目標(biāo)快速移動，目標(biāo)外觀和背景都發(fā)生快速變化，對匹配性算法和更新模板類算法都會產(chǎn)生較大的影響。SRDCF和Struck算法在序列Bolt上第10幀就完全丟失了目標(biāo)，并且基于模板更新，后續(xù)不能恢復(fù)跟蹤，在序列Ironman第38幀，SRDCF,Staple, Struck已經(jīng)完全丟失目標(biāo)，只有本文算法在兩種干擾因素下保持良好跟蹤。

(2) 背景干擾、雜波，光照變化：以測試序列carDark為例，在背景干擾嚴(yán)重，光照變化明顯的條件下，對于前景特征提取的準(zhǔn)確性顯得尤為重要。在carDark序列第295幀，匹配類算法SiamFC已經(jīng)出現(xiàn)目標(biāo)丟失，這進一步說明DenseNet骨干網(wǎng)絡(luò)優(yōu)于AlexNet在背景干擾上的特征提取能力。

表2 在VOT2017數(shù)據(jù)集上與主流算法的基礎(chǔ)模型結(jié)果對比

(3) 遮擋：以測試序列Jogging-2為例，在該序列第53幀時出現(xiàn)跟蹤目標(biāo)完全被遮擋情況，當(dāng)遮擋消失，Staple算法和Struck算法全部跟丟，本文算法，SiamFC, SRDCF能夠重新恢復(fù)跟蹤，本文算法和SiamFC采用第1幀目標(biāo)匹配方法，能夠在目標(biāo)消失遮擋時恢復(fù)跟蹤。

本文所提算法有上述優(yōu)點，在快速運動、背景干擾、遮擋等方面具備一定的性能，但其涉及較深的深度網(wǎng)絡(luò)，在運行時對計算機性能要求頗高，如果將其運用在機器人或旋翼無人機等實際設(shè)備上，對小型機載計算機性能有要求，才能確保達(dá)到實時跟蹤狀態(tài)，且本文算法并沒有設(shè)定自適應(yīng)目標(biāo)跟蹤框，也沒有使用動態(tài)孿生網(wǎng)絡(luò)方法進行參數(shù)更新，后續(xù)可以考慮在這幾個方面進行進一步的研究，以便達(dá)到更好的跟蹤性能。

6 結(jié)論

本文提出了一種引入全局上下文特征模塊的DenseNet孿生網(wǎng)絡(luò)目標(biāo)跟蹤算法。使用較深層的密集型DenseNet網(wǎng)絡(luò)，獲取更深層的前景外觀特征和語義背景，增強了算法的泛化性能；將全局上下文特征模塊嵌入孿生網(wǎng)絡(luò)分支，提高算法跟蹤精度。在兩個流行的數(shù)據(jù)集VOT2017, OTB50上評估，實驗結(jié)果表明了該算法具備良好的跟蹤精度與魯棒性，在尺度變化、低分辨率、遮擋等情況下具有良好的跟蹤效果。

表3 不同屬性下算法的跟蹤精度對比

表4 不同屬性下算法的跟蹤魯棒性對比(數(shù)字表示失敗次數(shù))

圖6 本文算法與4種算法的跟蹤結(jié)果對比

表5 OTB50中測試序列與其影響因素