劉 云，錢美伊，李 輝，王傳旭

青島科技大學(xué) 信息科學(xué)技術(shù)學(xué)院，山東 青島266000

在計(jì)算機(jī)視覺領(lǐng)域中，目標(biāo)跟蹤是一個(gè)重要的研究方向[1]，解決視覺目標(biāo)跟蹤的算法，可以分為生成式算法和判別式算法[2]。生成式目標(biāo)跟蹤算法關(guān)注于目標(biāo)自身特征信息[3]，與之相比，判別式跟蹤算法關(guān)注于區(qū)分目標(biāo)和背景，在提取目標(biāo)特征信息的同時(shí)，充分利用了背景信息[4]。因此，判別式算法跟蹤性能普遍優(yōu)于生成式算法，也使得判別式算法成為當(dāng)今主流的目標(biāo)跟蹤算法[2]?；谏疃葘W(xué)習(xí)的判別式跟蹤算法，可以分為基于深度特征的相關(guān)濾波跟蹤算法和基于孿生網(wǎng)絡(luò)的目標(biāo)跟蹤算法[5-6]。

基于深度特征的相關(guān)濾波跟蹤算法，需要根據(jù)提取特征圖和目標(biāo)位置響應(yīng)圖，經(jīng)訓(xùn)練得到相關(guān)濾波器[7]，用于跟蹤后續(xù)視頻幀中的目標(biāo)。由于視頻首幀訓(xùn)練樣本不足，可能導(dǎo)致經(jīng)訓(xùn)練得到的相關(guān)濾波器效果欠佳[8]。相關(guān)濾波跟蹤算法在跟蹤過程中會(huì)持續(xù)更新相關(guān)濾波器，如果目標(biāo)存在遮擋等嚴(yán)重干擾，容易產(chǎn)生跟蹤漂移現(xiàn)象，甚至是跟蹤丟失[9]。與之相比，基于孿生網(wǎng)絡(luò)的跟蹤算法具有大型數(shù)據(jù)集預(yù)訓(xùn)練、深度特征提取、端到端訓(xùn)練、跟蹤準(zhǔn)確度高等優(yōu)點(diǎn)[10-11]。

本文提出特征融合與訓(xùn)練加速的高效目標(biāo)跟蹤。首先，加深主干網(wǎng)絡(luò)參考特征圖層級(jí)，減少下采樣，融合多個(gè)層級(jí)的深度特征圖，從而豐富了目標(biāo)特征信息，提高跟蹤精度。權(quán)衡區(qū)域建議網(wǎng)絡(luò)（Region Proposal Network，RPN）[12]階段的正、負(fù)錨點(diǎn)的數(shù)量，提高了目標(biāo)跟蹤效率。大型數(shù)據(jù)集訓(xùn)練孿生網(wǎng)絡(luò)時(shí)，目標(biāo)圖像塊采用均勻滑動(dòng)漂移采樣算法，代替均勻滑動(dòng)漂移采樣算法，有效減少了訓(xùn)練時(shí)間。

1 相關(guān)工作

基于孿生網(wǎng)絡(luò)的目標(biāo)跟蹤算法包括SiamFC[13]、SiamRPN[14]、DaSiamRPN[15]和SiamΜask[16]等。SiamFC提取目標(biāo)圖像塊和搜索圖像塊的特征信息，將二者的參考特征圖進(jìn)行傳統(tǒng)互相關(guān)操作（Cross Correlation）[13]，從而得到目標(biāo)位置的響應(yīng)圖。通過處理特征圖的幾個(gè)縮放版本，實(shí)現(xiàn)對(duì)目標(biāo)尺度空間[17]的跟蹤。SiamFC 的缺點(diǎn)是跟蹤精度不足，在處理多尺度問題時(shí)需要耗費(fèi)較多的時(shí)間。SiamRPN 使用上通道互相關(guān)（Up-Channel Cross Correlation）[14]代替?zhèn)鹘y(tǒng)的互相關(guān)操作，并引入?yún)^(qū)域建議網(wǎng)絡(luò)（RPN），輸出目標(biāo)置信度得分的同時(shí)，對(duì)目標(biāo)區(qū)域進(jìn)行了回歸操作，使得算法在處理目標(biāo)的尺度空間跟蹤時(shí)，速度和精度都優(yōu)于SiamFC。SiamRPN 的缺點(diǎn)是具有龐大的上通道層，用于調(diào)整互相關(guān)操作的參考特征通道數(shù)，這使得網(wǎng)絡(luò)優(yōu)化困難，降低了目標(biāo)跟蹤速度。DaSiamRPN 在SiamRPN 的基礎(chǔ)上引入注意力機(jī)制，通過建立干擾感知模塊，降低同類干擾物對(duì)目標(biāo)的語義干擾，進(jìn)一步提升跟蹤精度和魯棒性。雖然上述算法逐步提高了孿生網(wǎng)絡(luò)跟蹤性能，但是沒有引入目標(biāo)的掩模表示（Μask），孿生網(wǎng)絡(luò)的跟蹤精度未能再上一個(gè)臺(tái)階。SiamΜask 使用深度互相關(guān)操作（Depth-wise Cross Correlation）[18]代替SiamRPN 的上通道互相關(guān)操作，去掉了繁重的上通道層，從而在減少參數(shù)量的同時(shí)，豐富了互相關(guān)響應(yīng)圖通道數(shù)，有效提升了目標(biāo)跟蹤精度，并且增加了掩模分支，使用旋轉(zhuǎn)邊界框代替豎直邊界框，用于標(biāo)定目標(biāo)區(qū)域，進(jìn)一步提升了跟蹤精度。但是SiamΜask 仍然存在一些問題，例如主干網(wǎng)絡(luò)選取的參考特征圖深度不足，特征信息的豐富度欠佳，跟蹤精度有待于進(jìn)一步的提升。RPN 階段的正負(fù)錨點(diǎn)數(shù)量比例可能嚴(yán)重失衡，影響目標(biāo)跟蹤的效率。在使用多個(gè)大型數(shù)據(jù)集訓(xùn)練孿生網(wǎng)絡(luò)的過程中，需要耗費(fèi)大量的時(shí)間。

2 特征融合與訓(xùn)練加速的高效目標(biāo)跟蹤

本文提出特征融合與訓(xùn)練加速的高效目標(biāo)跟蹤，算法框架流程圖如圖1所示。

如圖1 所示，輸入原始圖像，根據(jù)目標(biāo)所在位置截取目標(biāo)圖像塊和搜索圖像塊，將二者送入本文深度特征融合[19]的共享主干網(wǎng)絡(luò)，提取其深度而豐富的特征信息。將二者參考特征圖進(jìn)行深度互相關(guān)操作，可以得到一組候選窗口響應(yīng)（Response of Candidate Windows，RoWs）[14]，在RoWs 中構(gòu)建RPN 網(wǎng)絡(luò)，通過權(quán)衡RPN 的正負(fù)錨點(diǎn)數(shù)量比例，使孿生網(wǎng)絡(luò)均衡地學(xué)習(xí)目標(biāo)和背景的特征信息，提高跟蹤效率。將RoWs信息分別送入邊界框分支、分?jǐn)?shù)分支和掩模分支，其中邊界框分支得到的豎直邊界框，用于裁剪下一幀的搜索圖像塊；分?jǐn)?shù)分支輸出目標(biāo)置信度最高得分所在位置；掩模分支根據(jù)最高置信度RoW生成目標(biāo)掩模，將其最小外接矩形（Μinimum Bounding Rectangle，ΜBR）[16]作為當(dāng)前幀的目標(biāo)邊界框。多個(gè)大型數(shù)據(jù)集訓(xùn)練孿生網(wǎng)絡(luò)時(shí)，使用均勻滑動(dòng)漂移采樣算法，代替SiamΜask隨機(jī)漂移采樣，在抑制目標(biāo)中心偏置現(xiàn)象的同時(shí)提升了訓(xùn)練速度。

2.1 深度特征融合主干網(wǎng)絡(luò)

本文算法的主干網(wǎng)絡(luò)使用了殘差網(wǎng)絡(luò)（Residual Network）ResNet-50[20]，其所具有的殘差塊（Residual Block）可以有效加深卷積網(wǎng)絡(luò)深度。構(gòu)成ResNet-50的一個(gè)殘差塊，如圖2所示。

圖1 算法框架流程圖

圖2 ResNet-50的一個(gè)殘差塊

由圖2 可知，在每一個(gè)殘差塊中，依次執(zhí)行通道數(shù)調(diào)整、非線性激活、卷積、非線性激活、通道數(shù)調(diào)整，然后與輸入信息進(jìn)行加法操作，并再次執(zhí)行非線性激活。ResNet-50 殘差網(wǎng)絡(luò)通過疊加這種殘差塊，在有效加深卷積網(wǎng)絡(luò)深度的同時(shí)，不會(huì)引起訓(xùn)練退化問題?；趯\生網(wǎng)絡(luò)的目標(biāo)跟蹤算法，大部分計(jì)算時(shí)間耗費(fèi)在主干網(wǎng)絡(luò)上[16]，考慮到跟蹤的實(shí)時(shí)性要求，因此不再使用ResNet-101[20]，否則將降低孿生網(wǎng)絡(luò)跟蹤速度。

基線SiamΜask 只使用ResNet 主干網(wǎng)絡(luò)Conv1 至Conv4 卷積階段，經(jīng)過研究發(fā)現(xiàn)，仍然可以使用Conv5卷積階段，因此本文使用ResNet-50 的Conv1 至Conv5卷積階段，加深了主干網(wǎng)絡(luò)參考特征圖深度，提取了目標(biāo)更深度的特征信息，有效提高跟蹤精度。訓(xùn)練和跟蹤過程中，由于目標(biāo)圖像塊和搜索圖像塊尺寸通常較小，為保證二者特征圖具有較高的分辨率，本文對(duì)ResNet-50的Conv3、Conv4和Conv5卷積階段不采取下采樣，使用較高分辨率的特征圖可以實(shí)現(xiàn)更高精度的跟蹤。

在深度卷積網(wǎng)絡(luò)中，不同層級(jí)的特征圖從不同角度表征了目標(biāo)：頂層特征圖編碼了更多的目標(biāo)語義信息，充當(dāng)類別檢測(cè)器；稍低層級(jí)的特征圖承載了更多的鑒別信息，可以從相似的干擾物中分離目標(biāo)[21]。根據(jù)融合多層級(jí)特征圖[22]的思路，本文將Conv4 和Conv5 卷積階段最后一層非線性激活后的輸出作為參考特征圖，并對(duì)其進(jìn)行融合操作，融合后的特征圖作為本文深度互相關(guān)操作的參考特征圖。參考特征圖融合的具體流程為：將Conv4、Conv5 兩個(gè)卷積階段最后一層的特征圖首先用1×1 卷積核降維至256 維，然后對(duì)二者進(jìn)行像素級(jí)別的加法操作。這里沒有使用Conv1 至Conv3 卷積階段作為參考特征圖，也沒有對(duì)其進(jìn)行特征融合，是因?yàn)镃onv1階段的特征圖分辨率太高，嚴(yán)重影響目標(biāo)跟蹤速度，而Conv2、Conv3 階段的特征層級(jí)較淺，無法很好描述待跟蹤目標(biāo)特征。與SiamΜask僅使用Conv4單一階段參考特征圖相比，本文使用深度特征融合的參考特征圖，在參考特征圖內(nèi)存占用不增加、特征圖通道數(shù)也不增加的前提下，以較小的時(shí)間復(fù)雜度和空間復(fù)雜度為代價(jià)，描述了目標(biāo)更加深度、豐富的特征信息，有效提高算法的跟蹤精度。

2.2 權(quán)衡正負(fù)錨點(diǎn)

將目標(biāo)圖像塊z 和搜索圖像塊x 分別輸入本文深度特征融合的共享主干網(wǎng)絡(luò)f ，可以得到兩組參考特征圖f(z)和f(x)。將二者進(jìn)行深度互相關(guān)操作，表示為?，從而得到候選窗口響應(yīng)RoWs，表示為g ，公式如下所示：

傳統(tǒng)的互相關(guān)操作僅粗略地定位目標(biāo)，響應(yīng)圖是單通道的。上通道互相關(guān)操作可以得到多通道的RoWs，但是其本質(zhì)是對(duì)傳統(tǒng)互相關(guān)操作的堆疊，龐大的上通道層使網(wǎng)絡(luò)難以優(yōu)化。本文使用深度互相關(guān)操作，成功地解決了上述問題，優(yōu)點(diǎn)在于輕量級(jí)、豐富的響應(yīng)信息，雖然參數(shù)量只有上通道互相關(guān)的1/10，但是性能卻與之相當(dāng)。

RoWs 中的每一個(gè)1×1 大小的塊，都可以映射到原始圖像的對(duì)應(yīng)像素區(qū)域，在RoWs 中構(gòu)建RPN 網(wǎng)絡(luò)，可以精確地定位目標(biāo)所在區(qū)域。根據(jù)RPN網(wǎng)絡(luò)的錨點(diǎn)和目標(biāo)區(qū)域的交并比（Intersection-Over-Union，IOU），可以得到一系列的正、負(fù)錨點(diǎn)。如果IOU ≥0.6，那么定義當(dāng)前錨點(diǎn)為正錨點(diǎn)，否則，將其定義為負(fù)錨點(diǎn)。提取正負(fù)錨點(diǎn)所在區(qū)域的特征信息，訓(xùn)練分類器和回歸器，使得神經(jīng)網(wǎng)絡(luò)可以有效區(qū)分目標(biāo)和背景，定位當(dāng)前幀目標(biāo)所在的區(qū)域。經(jīng)研究發(fā)現(xiàn)，RPN 的正、負(fù)錨點(diǎn)數(shù)量比例可能非常懸殊，需要對(duì)其進(jìn)行權(quán)衡。如果負(fù)錨點(diǎn)數(shù)量遠(yuǎn)多于正錨點(diǎn)，那么網(wǎng)絡(luò)將嚴(yán)重傾向于提取背景的特征信息，訓(xùn)練得到的分類器和回歸器也將傾向于區(qū)分背景，而忽視了對(duì)目標(biāo)區(qū)域的辨別，這將會(huì)降低算法的跟蹤效率。通過權(quán)衡RPN階段的正、負(fù)錨點(diǎn)，學(xué)習(xí)更有價(jià)值的錨點(diǎn)特征信息，確保孿生網(wǎng)絡(luò)可以更加均衡、高效地辨別目標(biāo)和背景，從而實(shí)現(xiàn)更加高效、穩(wěn)定的目標(biāo)跟蹤。

2.3 均勻滑動(dòng)漂移采樣

在訓(xùn)練深度孿生網(wǎng)絡(luò)過程中，會(huì)出現(xiàn)中心偏置現(xiàn)象，即跟蹤器只能有效識(shí)別目標(biāo)的中心區(qū)域，而不識(shí)別目標(biāo)的其余部分。產(chǎn)生這個(gè)現(xiàn)象的原因是，經(jīng)過深度互相關(guān)操作，網(wǎng)絡(luò)將目標(biāo)正中心定義為正樣本，隨著訓(xùn)練迭代次數(shù)的增加，孿生網(wǎng)絡(luò)會(huì)逐漸學(xué)習(xí)到這種統(tǒng)計(jì)特性，從而只能識(shí)別待跟蹤目標(biāo)的中心區(qū)域。為了解決上述問題，在訓(xùn)練時(shí)對(duì)目標(biāo)區(qū)域進(jìn)行均勻滑動(dòng)漂移采樣，讓目標(biāo)圖像塊在原始圖像中發(fā)生偏移，從而提取整個(gè)目標(biāo)區(qū)域的特征信息。使跟蹤器對(duì)整個(gè)目標(biāo)區(qū)域都有響應(yīng)。

SiamΜask 使用隨機(jī)漂移采樣算法，抑制目標(biāo)區(qū)域的中心偏置現(xiàn)象。經(jīng)過分析，隨機(jī)采樣點(diǎn)在樣本空間內(nèi)均勻分布，如果在每幅圖像的目標(biāo)區(qū)域，分別沿x 軸方向和y 軸方向，調(diào)用隨機(jī)數(shù)生成函數(shù)，生成隨機(jī)采樣點(diǎn)，那么在多個(gè)大型數(shù)據(jù)集訓(xùn)練孿生網(wǎng)絡(luò)時(shí)，將耗費(fèi)大量的時(shí)間。因此，本文對(duì)目標(biāo)圖像塊進(jìn)行均勻滑動(dòng)漂移采樣，將目標(biāo)區(qū)域按照由上到下、從左到右的順序依次滑動(dòng)，代替隨機(jī)數(shù)生成函數(shù)得到采樣點(diǎn)，從而節(jié)省了因頻繁調(diào)用隨機(jī)數(shù)生成函數(shù)而消耗的時(shí)間，顯著加快了訓(xùn)練速度。因此，使用均勻滑動(dòng)漂移采樣，代替隨機(jī)漂移采樣算法，在抑制孿生網(wǎng)絡(luò)中心偏置現(xiàn)象的同時(shí)，有效提升了網(wǎng)絡(luò)的訓(xùn)練速度。

根據(jù)文獻(xiàn)[18]，在漂移采樣的過程中，目標(biāo)圖像塊的最大位移量定義為漂移量（Shift）[18]。當(dāng)Shift 分別取0、16 和32 時(shí)，訓(xùn)練得到的不同跟蹤器在目標(biāo)區(qū)域的響應(yīng)熱度圖，如圖3所示。

圖3 樣本漂移采樣響應(yīng)圖

從圖3（a）可以看出，當(dāng)Shift=0 時(shí)，孿生網(wǎng)絡(luò)出現(xiàn)很強(qiáng)的中心偏置現(xiàn)象，只對(duì)目標(biāo)正中心小范圍區(qū)域有響應(yīng)。從圖3（b）可以看出，當(dāng)Shift=16 時(shí)，目標(biāo)區(qū)域的響應(yīng)范圍有所增加。從圖3（c）可以看出，當(dāng)Shift=32 時(shí)，目標(biāo)區(qū)域出現(xiàn)了大范圍響應(yīng)，有效抑制了中心偏置現(xiàn)象。因此，均勻滑動(dòng)漂移采樣算法可以有效抑制孿生網(wǎng)絡(luò)的中心偏置現(xiàn)象。

2.4 三分支輸出與損失函數(shù)

將RoWs的深度互相關(guān)信息分別送入三個(gè)分支：分?jǐn)?shù)分支、邊界框分支和掩模分支。分?jǐn)?shù)分支輸出目標(biāo)置信度最高得分所在位置。邊界框分支對(duì)目標(biāo)區(qū)域進(jìn)行回歸，得到目標(biāo)的豎直邊界框，用于剪裁下一幀搜索圖像塊。掩模分支根據(jù)分?jǐn)?shù)分支的輸出，產(chǎn)生對(duì)應(yīng)位置的目標(biāo)掩模，實(shí)現(xiàn)像素級(jí)別的定位，然后求出掩模的最小外接矩形（ΜBR），并根據(jù)這個(gè)旋轉(zhuǎn)的邊界框，定位當(dāng)前幀目標(biāo)。與豎直邊界框相比，旋轉(zhuǎn)邊界框具有更高的精度。

本文孿生網(wǎng)絡(luò)有三個(gè)分支輸出，每個(gè)分支有自己的損失函數(shù)，用于優(yōu)化各分支的性能。分別使用Lbox、Lscore、Lmask表示邊界框分支、分?jǐn)?shù)分支和掩模分支的損失函數(shù)。

Lbox使用smooth L1損失函數(shù)，smooth L1計(jì)算公式如下：

其中，x 表示歸一化后的距離。本文計(jì)算了歸一化距離δ[0]、δ[1]、δ[2]、δ[3]，計(jì)算公式如下：

其中，Ax、Ay、Aw、Ah分別表示錨框中心位置的橫坐標(biāo)、縱坐標(biāo)、錨框的寬度和高度，Tx、Ty、Tw、Th分別表示真實(shí)目標(biāo)區(qū)域的中心點(diǎn)橫坐標(biāo)、縱坐標(biāo)、真實(shí)區(qū)域的寬度和高度。將歸一化后的距離δ[0]、δ[1]、δ[2]、δ[3]分別代入smooth L1損失函數(shù)，i 表示每組歸一化距離的序號(hào)，得到邊界框分支的回歸損失函數(shù)Lbox，計(jì)算公式為：

分?jǐn)?shù)分支的分類損失函數(shù)Lscore使用了對(duì)數(shù)損失函數(shù)，計(jì)算公式為：

其中，pn表示第n 個(gè)RoW的置信度分?jǐn)?shù)。

由此可知，Lmask只計(jì)算了RoWs 中的正樣本，即yn=1的情況。

用L 表示本文孿生網(wǎng)絡(luò)的總體損失函數(shù)，L 根據(jù)Lbox、Lscore、Lmask經(jīng)過加權(quán)計(jì)算得到，計(jì)算公式如下：

其中，λ1、λ2、λ3分別為三個(gè)分支損失函數(shù)的權(quán)值，按照文獻(xiàn)[16]，本文將權(quán)值設(shè)置為λ1=λ2=1，λ3=32。

3 實(shí)驗(yàn)結(jié)果及分析

3.1 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)集

本實(shí)驗(yàn)使用的Linux 系統(tǒng)版本為Ubuntu 16.04，服務(wù)器的配置信息如下所示：

CPU，Intel?Xeon?CPU E5-2678 v3@2.50 GHz；GPU，NVIDIA GeForce GTX 1080 Ti×2；內(nèi)存，32 GB；深度學(xué)習(xí)框架，Pytorch 0.4.1。為了提高GPU的運(yùn)行效率，使用了CUDA 8.0 以及cuDNN 6.0。Python 庫(kù)使用了Anaconda 3，Python版本為3.6。

實(shí)驗(yàn)分為訓(xùn)練模型和評(píng)估模型兩個(gè)階段。在第一階段訓(xùn)練模型階段，使用大型數(shù)據(jù)集COCO2017[23]、ImageNet2015-VID[24]和YouTube-VOS2018[25]，訓(xùn)練本文的目標(biāo)跟蹤孿生網(wǎng)絡(luò)。其中，COCO2017 數(shù)據(jù)集大小為20 GB，ImageNet2015-VID 數(shù)據(jù)集大小為85 GB，YouTube-VOS2018 數(shù)據(jù)集大小為50 GB。另外還使用了ImageNet2015-VID 的部分?jǐn)?shù)據(jù)，用于訓(xùn)練時(shí)對(duì)模型的跟蹤性能進(jìn)行測(cè)試評(píng)估。在模型訓(xùn)練完成之后，第二階段評(píng)估模型階段使用了目標(biāo)跟蹤基準(zhǔn)VOT2018[26]數(shù)據(jù)集，評(píng)估模型的跟蹤性能。使用訓(xùn)練好的目標(biāo)跟蹤算法模型，在VOT2018跟蹤基準(zhǔn)的所有視頻序列中，執(zhí)行目標(biāo)跟蹤任務(wù)。最后，根據(jù)各項(xiàng)跟蹤性能指標(biāo)，如EAO、準(zhǔn)確度、魯棒性、速度等，評(píng)估本文跟蹤算法性能。

3.2 訓(xùn)練結(jié)果及分析

本文目標(biāo)跟蹤孿生網(wǎng)絡(luò)，在上述三個(gè)大型數(shù)據(jù)集上，經(jīng)過了20 次Epochs 的迭代訓(xùn)練。足夠的迭代次數(shù)可以確保孿生網(wǎng)絡(luò)的訓(xùn)練使用了足夠的樣本量，從而保證跟蹤過程中提取目標(biāo)豐富、準(zhǔn)確的特征信息。學(xué)習(xí)率首先由10－3線性增長(zhǎng)至5×10－3，然后按照對(duì)數(shù)方式逐步降低至5×10－4。

在訓(xùn)練過程中，使用了分類損失、回歸損失和掩模損失三個(gè)損失函數(shù)，分別衡量神經(jīng)網(wǎng)絡(luò)三個(gè)分支的性能。整個(gè)神經(jīng)網(wǎng)絡(luò)的總損失函數(shù)，由這三項(xiàng)損失函數(shù)加權(quán)得到。隨著訓(xùn)練迭代次數(shù)的增加，各項(xiàng)損失函數(shù)值的變化情況，如圖4所示。

圖4（a）表示分類損失函數(shù)的變化情況，損失函數(shù)值從0.16逐步降低至0.01，并趨于平緩。圖4（b）表示回歸損失函數(shù)的變化情況，損失函數(shù)值從0.28 逐步降低至0.15，并趨于平緩。圖4（c）表示掩模損失函數(shù)的變化情況，損失函數(shù)值從0.24 逐漸降低至0.12，然后趨于平緩。由圖4可以看出，隨著孿生網(wǎng)絡(luò)迭代訓(xùn)練次數(shù)的增加，雖然各項(xiàng)損失函數(shù)值在不斷波動(dòng)，但是總體趨勢(shì)是逐漸降低的，并漸漸趨于緩和。由此可知，本文孿生網(wǎng)絡(luò)經(jīng)過訓(xùn)練后，跟蹤性能得到了增強(qiáng)。

訓(xùn)練本文孿生網(wǎng)絡(luò)時(shí)，使用了如下評(píng)價(jià)指標(biāo)：平均交并比（mean Intersection-Over-Union，mIOU）和平均精確度（Average Precision，AP）。本文實(shí)驗(yàn)進(jìn)一步采用了不同閾值條件下的AP 值，驗(yàn)證孿生網(wǎng)絡(luò)性能。分別采用IOU閾值為0.5和0.7兩種情況，得到不同IOU閾值對(duì)AP值的影響，實(shí)驗(yàn)結(jié)果如圖5所示。

圖5（a）表示IOU 閾值為0.5 條件下的AP 值變化情況，可知AP 從0 開始逐步增加至0.85，然后趨于平緩。圖5（b）表示IOU 閾值為0.7 條件下的AP 值變化情況，此時(shí)AP從0開始逐步提升至0.50，并趨于平緩。圖5（c）表示本文算法預(yù)測(cè)目標(biāo)區(qū)域與真實(shí)區(qū)域的mIOU 值變化情況，可知mIOU 從0.40 逐步增加至0.66，并趨于平緩。圖5 可以看出，隨著訓(xùn)練迭代次數(shù)的增加，雖然孿生網(wǎng)絡(luò)的AP 值和mIOU 有些許波動(dòng)，但是在整個(gè)過程中的趨勢(shì)是在逐步提升的，并逐漸趨于緩和。由此可知，本文孿生網(wǎng)絡(luò)經(jīng)過訓(xùn)練，其平均精確度和平均交并比均得到了有效提升，孿生網(wǎng)絡(luò)得到的預(yù)測(cè)目標(biāo)區(qū)域逐漸接近于真實(shí)目標(biāo)區(qū)域。

圖5 孿生網(wǎng)絡(luò)性能提升曲線

在對(duì)目標(biāo)圖像塊進(jìn)行采樣時(shí)，使用均勻滑動(dòng)漂移采樣，代替SiamΜask的隨機(jī)漂移采樣算法。在改進(jìn)前后，孿生網(wǎng)絡(luò)訓(xùn)練所用的時(shí)間對(duì)比如表1所示。

表1 訓(xùn)練孿生網(wǎng)絡(luò)所用總時(shí)間對(duì)比

由表1可知，SiamΜask的訓(xùn)練總時(shí)間為92.33 h，本文提出的目標(biāo)跟蹤孿生網(wǎng)絡(luò)模型的訓(xùn)練總時(shí)間為80.17 h，與原算法相比，節(jié)省了12.16 h。由此可知，與隨機(jī)漂移采樣算法相比，均勻滑動(dòng)漂移采樣顯著加快了孿生網(wǎng)絡(luò)的訓(xùn)練速度。

3.3 跟蹤結(jié)果及分析

在目標(biāo)跟蹤基準(zhǔn)VOT2018中，將本文算法與Siam-RPN、DaSiamRPN 和SiamΜask 算法進(jìn)行了跟蹤結(jié)果對(duì)比實(shí)驗(yàn)。選取各算法在VOT2018部分視頻序列每幀的目標(biāo)跟蹤結(jié)果，如圖6～圖9所示。圖6是在Bolt1序列上的目標(biāo)跟蹤結(jié)果，圖7是Μotocross1序列的目標(biāo)跟蹤結(jié)果，圖8 是Μatrix 序列的跟蹤結(jié)果，圖9 是Soccer1 序列的目標(biāo)跟蹤結(jié)果。在每組對(duì)比圖片中，自上而下分別為使用SiamRPN、DaSiamRPN、SiamΜask 和本文跟蹤算法得到的目標(biāo)跟蹤結(jié)果。

圖6 “Bolt1”序列跟蹤結(jié)果對(duì)比

圖7 “Μotocross1”序列跟蹤結(jié)果對(duì)比

圖8 “Μatrix”序列跟蹤結(jié)果對(duì)比

圖9 “Soccer1”序列跟蹤結(jié)果對(duì)比

由圖6可知，在小目標(biāo)、非剛性形變、語義干擾的情況下，本文算法在每幀中的跟蹤精度最高，SiamΜask在跟蹤過程中出現(xiàn)了跟蹤丟失情況；由圖7 可知，在目標(biāo)發(fā)生平面內(nèi)旋轉(zhuǎn)、背景改變、光照變化的情況下，本文跟蹤算法性能最優(yōu)；由圖8 可知，在暗場(chǎng)景、光照變化、目標(biāo)快速移動(dòng)、尺度變化的情況下，本文算法性能最優(yōu)，而SiamRPN和DaSiamRPN在跟蹤過程中出現(xiàn)了跟蹤丟失情況；由圖9 可知，在目標(biāo)出現(xiàn)平面外旋轉(zhuǎn)、尺度變化、背景相似物干擾、運(yùn)動(dòng)模糊的情況下，本文算法仍可以精確跟蹤目標(biāo)，而SiamRPN、DaSiamRPN 和SiamΜask均出現(xiàn)了跟蹤丟失情況。綜上，本文目標(biāo)跟蹤算法在VOT2018 的跟蹤結(jié)果明顯優(yōu)于SiamRPN、DaSiamRPN和SiamΜask算法。

3.4 實(shí)驗(yàn)結(jié)果對(duì)比

本文實(shí)驗(yàn)使用的目標(biāo)跟蹤性能評(píng)價(jià)指標(biāo)為：準(zhǔn)確度（Accuracy）、魯棒性（Robustness）、跟蹤速度（Speed）和期望平均交并比（Expected Average Overlap，EAO）。各項(xiàng)指標(biāo)計(jì)算原理如下：準(zhǔn)確度根據(jù)每幀預(yù)測(cè)目標(biāo)區(qū)域和實(shí)際目標(biāo)區(qū)域的平均交并比mIOU進(jìn)行計(jì)算，準(zhǔn)確度越高，說明跟蹤結(jié)果越接近目標(biāo)的實(shí)際區(qū)域。魯棒性根據(jù)跟蹤丟失的總次數(shù)進(jìn)行計(jì)算，魯棒性數(shù)值越低，說明跟蹤器的魯棒性越強(qiáng)。跟蹤速度的評(píng)價(jià)依據(jù)為FPS（Frames Per Second），F(xiàn)PS 數(shù)值越大，說明跟蹤速度越快。EAO 指標(biāo)的計(jì)算原理是：在每個(gè)視頻序列首次跟蹤丟失前，計(jì)算每一幀的平均交并比，然后計(jì)算所有視頻序列的加權(quán)平均交并比。由于計(jì)算EAO 時(shí)，同時(shí)考慮了平均交并比和跟蹤丟失的情況，因此EAO 同時(shí)體現(xiàn)了目標(biāo)跟蹤的準(zhǔn)確度和魯棒性，是目標(biāo)跟蹤最為重要的評(píng)價(jià)指標(biāo)。

本文目標(biāo)跟蹤算法的基線是SiamΜask，主要提出了三項(xiàng)改進(jìn)：改進(jìn)1 代表深度特征融合的主干網(wǎng)絡(luò)；改進(jìn)2代表平衡RPN階段正負(fù)錨點(diǎn)數(shù)量；改進(jìn)3代表均勻滑動(dòng)漂移采樣。在SiamΜask 基礎(chǔ)上，分別單獨(dú)應(yīng)用上述三條改進(jìn)，進(jìn)行了目標(biāo)跟蹤性能的對(duì)比評(píng)估實(shí)驗(yàn)。使用基線SiamΜask，分別單獨(dú)應(yīng)用上述三條改進(jìn)，以及本文提出的跟蹤算法，在跟蹤基準(zhǔn)VOT2018 上的跟蹤性能評(píng)估結(jié)果如表2所示。

表2 各項(xiàng)獨(dú)立改進(jìn)在VOT2018的評(píng)估結(jié)果

從表2 可以看出，在跟蹤基準(zhǔn)VOT2018 的實(shí)驗(yàn)中，本文算法的準(zhǔn)確度、魯棒性和EAO都是最優(yōu)的，雖然跟蹤速度稍慢，但是完全滿足實(shí)時(shí)的目標(biāo)跟蹤。在各項(xiàng)獨(dú)立改進(jìn)實(shí)驗(yàn)結(jié)果中，改進(jìn)1和改進(jìn)2的魯棒性明顯加強(qiáng)，準(zhǔn)確度和EAO 指標(biāo)明顯提升。經(jīng)分析，其原因是改進(jìn)了主干網(wǎng)絡(luò)，提升了對(duì)目標(biāo)的外觀表征能力，從而有效提高了跟蹤精度，并減少了跟蹤丟失次數(shù)。改進(jìn)3的各項(xiàng)指標(biāo)與基線相近，是因?yàn)橹粚?duì)訓(xùn)練時(shí)的漂移采樣進(jìn)行了改進(jìn)，用于提升訓(xùn)練速度，但對(duì)跟蹤性能的影響并不大。

在目標(biāo)跟蹤基準(zhǔn)VOT2018 中，使用本文算法與當(dāng)前各種主流的跟蹤算法進(jìn)行了跟蹤實(shí)驗(yàn)對(duì)比。這里使用SiamRPN[14]、CSRDCF[27]和SA-Siam[28]的跟蹤實(shí)驗(yàn)數(shù)據(jù)，以及ECO[29]、CFCF[30]、CFWCR[31]和LSART[32]的數(shù)據(jù)?；€SiamΜask 的實(shí)驗(yàn)數(shù)據(jù)，是由官方代碼訓(xùn)練得到網(wǎng)絡(luò)模型，然后進(jìn)行評(píng)估實(shí)驗(yàn)得到的。上述各算法在VOT2018中的各項(xiàng)性能評(píng)估指標(biāo)，如表3所示。

從表3 可以看出，本文算法的準(zhǔn)確度和EAO 分別為0.611、0.346，均明顯高于其余所有主流目標(biāo)跟蹤算法。魯棒性指標(biāo)為0.304，強(qiáng)于SiamRPN、CSRDCF、SiamΜask 和DaSiamRPN，但稍差于其余算法。跟蹤速度為63.26 frame/s，明顯高于CSRDCF與SA-Siam，完全滿足實(shí)時(shí)跟蹤目標(biāo)。經(jīng)分析，本文算法和基線SiamΜask相比，加深主干網(wǎng)絡(luò)參考特征圖深度，減少下采樣，融合多個(gè)層級(jí)參考特征圖，從而提取目標(biāo)更深度而豐富的外觀特征信息，有效提升目標(biāo)跟蹤精度。通過權(quán)衡正負(fù)錨點(diǎn)，使網(wǎng)絡(luò)均衡、高效地學(xué)習(xí)目標(biāo)特征，提高了目標(biāo)跟蹤性能。本文算法的準(zhǔn)確度、魯棒性和EAO 指標(biāo)均明顯優(yōu)于基線SiamΜask，雖然對(duì)主干網(wǎng)絡(luò)的一系列改進(jìn)使跟蹤速度略有下降，但是在有效提升跟蹤性能的同時(shí)，完全滿足跟蹤實(shí)時(shí)性要求。對(duì)比實(shí)驗(yàn)結(jié)果表明，本文算法性能優(yōu)于當(dāng)前主流的目標(biāo)跟蹤算法。

表3 主流跟蹤算法在VOT2018的評(píng)估結(jié)果

4 結(jié)束語

本文提出了特征融合與訓(xùn)練加速的高效目標(biāo)跟蹤。增加ResNet-50 主干網(wǎng)絡(luò)的Conv5 卷積階段，減少Conv3至Conv5階段下采樣，融合Conv4、Conv5階段參考特征圖，從而提取目標(biāo)更豐富、深度的特征信息，并保證了參考特征圖具有較高分辨率，提升了目標(biāo)跟蹤準(zhǔn)確度和魯棒性。經(jīng)過深度互相關(guān)操作得到RoWs，在其中構(gòu)建RPN 網(wǎng)絡(luò)，通過權(quán)衡正、負(fù)錨點(diǎn)數(shù)量，使得網(wǎng)絡(luò)更加均衡、高效地學(xué)習(xí)目標(biāo)與背景的特征信息，讓孿生網(wǎng)絡(luò)性能更加高效、穩(wěn)定。大型數(shù)據(jù)集訓(xùn)練孿生網(wǎng)絡(luò)時(shí)，對(duì)目標(biāo)圖像塊采用均勻滑動(dòng)漂移采樣，代替SiamΜask的隨機(jī)漂移采樣算法，在有效抑制中心偏置現(xiàn)象的同時(shí)，顯著加快訓(xùn)練速度。本文目標(biāo)跟蹤模型在大型數(shù)據(jù) 集COCO2017、ImageNet2015-VID 和YouTube-VOS 2018上，經(jīng)端到端訓(xùn)練得到，在目標(biāo)跟蹤基準(zhǔn)VOT2018上的評(píng)估實(shí)驗(yàn)結(jié)果表明，與所有參考的主流目標(biāo)跟蹤算法相比，本文算法具有最佳跟蹤性能。下一步的工作將引入注意力機(jī)制，從而進(jìn)一步提升算法跟蹤精度。