王科平, 朱朋飛, 楊 藝

(河南理工大學(xué) 電氣與自動化學(xué)院,河南 焦作 454003)

0 引 言

隨著計算機技術(shù)的飛速發(fā)展,目標(biāo)跟蹤技術(shù)在視頻監(jiān)控、無人機偵察、導(dǎo)彈制導(dǎo)等諸多領(lǐng)域得到廣泛應(yīng)用。目前,相關(guān)濾波算法[1～6]因其速度快、精度高、魯棒性強的特點逐漸取代了傳統(tǒng)的光流法、均值漂移法、卡爾曼濾波以及粒子濾波等跟蹤算法。

2010年,Bolme D S等人[1]提出了誤差最小平方和濾波器MOSSE(minimum output sum of squared error),首次將相關(guān)濾波算法應(yīng)用到目標(biāo)跟蹤當(dāng)中；在此基礎(chǔ)上,針對目標(biāo)樣本線性不可分的情況,通過將核函數(shù)引入到相關(guān)濾波中,提出了具有核循環(huán)結(jié)構(gòu)(circulant structure kernel,CSK)[2]的跟蹤器、核相關(guān)濾波器(kernelized correlation filters,KCF)[3]、以及顏色特征(color name,CN)[4]的跟蹤器。為了解決相關(guān)濾波中因目標(biāo)尺度變化而導(dǎo)致跟蹤失敗的問題,Li Y等人[7]提出自適應(yīng)尺度變化的核相關(guān)濾波器(scale adaptive kernel correlation filter,SAMF)；Danelljan M等人[8]在MOSSE算法的基礎(chǔ)上提出了判別性尺度空間跟蹤器(discriminative scale space tracker,DSST)算法。針對相關(guān)濾波中出現(xiàn)的邊際效應(yīng)問題,Danelljan M等人[9]提出具有學(xué)習(xí)能力的空間正則化濾波器(learning spatially regula-rized correlation filters for visual tracking,SRDCF)算法；Li F等人[10]在SRDCF的基礎(chǔ)上,加入時間正則化項,提出了時空正則化相關(guān)濾波(spatial-temporal regularized correlation filters,STRCF)算法。針對跟蹤過程中相似背景的干擾,Galoogahi H K等人[11]提出了基于灰度特征的CFLM(correlation filters with limited boundaries)算法和基于HOG特征的BACF(learning background-aware correlation filters for visual tracking)算法[12]；Mueller M等人[13]提出了CACF(context-aware correlation filter tracking)算法,將背景信息加入到相關(guān)濾波器的學(xué)習(xí)中。為解決跟蹤過程中的遮擋問題,綜合上述研究成果可知,在相似背景干擾的情況,BACF算法[12]和CACF算法[13]取得了良好的跟蹤效果。BACF算法通過對背景信息建模,利用一個掩碼矩陣,使得較小的相關(guān)濾波器能作用于較大的搜索樣本,避免了給建立的模型帶來過多的背景因素干擾；CACF算法通過提取目標(biāo)附近的背景信息,并作為負(fù)樣本加入到跟蹤器的學(xué)習(xí)中去,從而抑制與目標(biāo)相似的背景信息。

本文依據(jù)BACF算法和CACF算法,通過將目標(biāo)附近的背景信息作為負(fù)樣本引入到BACF算法中,從而獲得更具魯棒性的跟蹤器。通過在公共數(shù)據(jù)上驗證,本文算法表現(xiàn)出了較好的跟蹤性能。

1 背景感知相關(guān)濾波算法

BACF算法[11]通過擴大目標(biāo)搜索區(qū)域以獲得更多的循環(huán)樣本,但是搜索區(qū)域的變大將引入過多的背景信息。為了解決該問題,背景感知相關(guān)濾波算法通過一個掩模矩陣 來提取樣本中較小區(qū)域的信息,來降低背景信息的干擾,其目標(biāo)函數(shù)為

(1)

式中M為大小為N×D的二值矩陣,其中N為大樣本x的中間部分長度,x∈D,yi∈D,w∈D,D為x的長度,其中N?D。

為了提高計算效率,相關(guān)濾波通常在頻域中進行計算,將式(1)轉(zhuǎn)換到頻域并構(gòu)建等式約束得

(2)

式中F為傅里葉變換矩陣,H為傅里葉變換常數(shù),IN為單位矩陣。

2 雙重背景感知相關(guān)濾波

(3)

將式(3)利用增廣拉格朗日乘子法轉(zhuǎn)化為無約束優(yōu)化問題得

L(w,t,^)

(4)

利用ADMM(alernating direction method of multipliers)方法[14]對式(4)進行交替求解,將目標(biāo)轉(zhuǎn)換為多個容易求解的子問題,通過對子問題的交替求解逐漸逼近全局最優(yōu)解：

子問題1：求解w*

(5)

(6)

^i+1←

(7)

3 多特征自適應(yīng)融合

在LMCF[15](large margin object tracking with circulant feature maps)算法中,提出APCE指標(biāo)來對跟蹤響應(yīng)圖進行置信度判別,取得了良好的跟蹤效果,APCE判別指標(biāo)如下

(8)

本文依據(jù)該指標(biāo)為HOG特征和CN特征進行可靠性新判別,并為兩種特征進行自適應(yīng)分配權(quán)重W

(9)

4 實驗結(jié)果與分析

本文實驗在MATLAB2018a上進行,計算機配置為Intel i7—8700CPU@3.2 GHz,操作系統(tǒng)為Windows7(64 bit)。實驗參數(shù)設(shè)置具體如下：尺度個數(shù)S=5,尺度增量因子α=1.01,HOG特征通道數(shù)為31,CN特征通道數(shù)為11(灰度圖像的情況下為2),正則化因子λ1=0.01,β=10,μmax=100,迭代次數(shù)L=2。

4.1 定量分析

為驗證本文算法的有效性,在OTB100數(shù)據(jù)集[16]與BACF,STAPLE_CA,Staple,SAMF,DSST,LMCF算法進行對比實驗分析。實驗采用OTB中的精確度和成功率作為評價標(biāo)準(zhǔn)。

圖1為7種算法在OTB數(shù)據(jù)集上的平均精度圖和成功率圖,精確度得分和成功率得分分別為0.842和0.634,排名第一。精確度相比于BACF和STAPLE_CA兩種算法分別提高了2.6 %和3.2 %；成功率相比于BACF和STAPLE_CA兩種算法分別提高了1.9 %和3.6 %。

圖1 7種算法在OTB100數(shù)據(jù)集上的平均精度和成功率

4.2 定性分析

為了更加直觀地分析DBACF算法的跟蹤性能,圖2給出了DBACF,BACF,STAPLE_CA三種算法的部分跟蹤結(jié)果。

圖2 3種算法的部分恩跟蹤結(jié)果

相似背景：由視頻序列“basketball”和“Clifbar”的部分跟蹤結(jié)果可知,當(dāng)周圍背景與目標(biāo)相似的情況下,本文算法相比于其它兩種算法,表現(xiàn)出了較好的跟蹤結(jié)果

遮擋：由視頻序列“basketball”和“skating1”的部分跟蹤結(jié)果可知,當(dāng)目標(biāo)發(fā)生遮擋時,BACF算法跟蹤失敗,DBACF算法表現(xiàn)出了比STAPLE_CA算法更好的跟蹤結(jié)果,因此魯棒性更好。

快速移動：由視頻序列“blureowl”的部分跟蹤結(jié)果可知,當(dāng)相機進行快速的移動時,其它算法都發(fā)生了不同程度的漂移,DBACF算法能夠一直成功跟蹤目標(biāo)。

5 結(jié)束語

通過與目前主流的相關(guān)濾波目標(biāo)跟蹤算法相比,本文算法表現(xiàn)出了較好的魯棒性,很好地解決了跟蹤過程中相似背景干擾的問題,提高了算法跟蹤的準(zhǔn)確性。但是算法在遮擋、光照變化等情況下的跟蹤性能有待提高,下一步將融合不同分辨率的深度特征,進一步提高算法在多種環(huán)境下的跟蹤性能。