孫子文 夏 良

（中國人民解放軍陸軍炮兵防空兵學院信息工程系 合肥 230031）

1 引言

目標跟蹤目前在視頻監(jiān)控、車輛導航、人機交互、智能交通、運動分析和姿態(tài)估計等民用領(lǐng)域，以及視覺制導、目標定位和火力控制等軍事領(lǐng)域均有重要的應(yīng)用價值。近年來，雖然目標跟蹤有了較大發(fā)展，但是其仍然面臨復雜背景、目標變化和快速運動等諸多難題，目前仍是具有挑戰(zhàn)性的工作，是計算機視覺領(lǐng)域中研究的熱點問題。

目前，目標跟蹤領(lǐng)域中的研究者已經(jīng)提出了出眾多目標跟蹤方法，其核心組件是表觀模型，包括產(chǎn)生式模型和判別式模型兩類，與其相應(yīng)的目標跟蹤方法分別稱為產(chǎn)生式跟蹤和判別式跟蹤。產(chǎn)生式跟蹤僅僅使用目標表觀特征跟蹤目標，其比較有代表性的方法有IVT跟蹤［1］、L1跟蹤［2］。判別式跟蹤把目標跟蹤看作二分類問題，它不但利用目標表觀信息而且也利用目標的背景信息，對復雜背景表現(xiàn)更為魯棒，在視覺跟蹤中逐漸占據(jù)了主流地位。其比較有代表性的方法有MIL跟蹤［3］、TLD跟蹤［4］、隨機森林跟蹤［5］、基于SVM跟蹤［6］、相關(guān)濾波跟蹤［7］和深度跟蹤［8］。

近些年，基于結(jié)構(gòu)化SVM的目標跟蹤由于其優(yōu)異的性能而受到了廣泛關(guān)注。但是通過對其采樣過程的實驗分析發(fā)現(xiàn)，大多數(shù)的采樣框與目標框的中心距離較遠，且重疊的面積較少或者沒有。少部分的采樣框與目標框的中心距離較近，且重疊的面積較大。因此通過實驗分析可知，基于結(jié)構(gòu)化SVM的目標跟蹤中存在著采樣樣本不均衡的問題。針對存在的這個問題，本文以現(xiàn)有的結(jié)構(gòu)化SVM跟蹤算法為基礎(chǔ)，提出了一種基于模糊結(jié)構(gòu)化SVM的目標跟蹤模型，對每個不同的采樣樣本施加于相應(yīng)的重要度，并基于對偶坐標下降原理對模型進行求解，實驗結(jié)果顯示相較于基準跟蹤器DLSSVM［9］跟蹤算法，在精確率和成功率兩個指標上均有明顯的提高。

2 背景知識

2.1 模糊支持向量機

Lin等提出用模糊支持向量機［10］進行分類，即選擇一個適當?shù)碾`屬度函數(shù)，根據(jù)隸屬度函數(shù)得到每個訓練樣本點(xi,yi)的隸屬度值ui( )0＜ui≤1 ，ui即表示樣本xi對類別yi的從屬程度。于是訓練集就變成了模糊化訓練樣本集S={( xi,yi,ui),i=1,2,...,N } 。其中，xi∈RN是訓練樣本集，yi∈{- 1,+1}是樣本標簽，0＜ui≤1是模糊隸屬度函數(shù)取值范圍。則求解最優(yōu)超平面的優(yōu)化問題則變?yōu)?/p>

其中，C為懲罰因子且滿足C＞0；ξi表示松弛變量。

由式（1）可以看出，每個樣本點xi所對應(yīng)的模糊隸屬度ui被嵌入了目標函數(shù)當中。因此，C·ui表示對錯分點的重視程度，C·ui越小，則損失參數(shù)ξi對目標函數(shù)值的影響越小，樣本點xi越不重要。相反，C·ui越大，對應(yīng)樣本越重要，xi被錯分的概率就越小。由此可知，應(yīng)盡可能減小噪聲點或孤立點的C·ui值，減小此類樣本點對分類超平面的影響。

2.2 結(jié)構(gòu)化SVM模型

受到結(jié)構(gòu)化SVM在目標檢測中應(yīng)用的啟發(fā)，2011年Hare等［11］提出了基于結(jié)構(gòu)化SVM的目標跟蹤Struck。Struck把目標跟蹤看作結(jié)構(gòu)化學習問題，避免了傳統(tǒng)判別式跟蹤的中間分類環(huán)節(jié)，顯著提高了目標跟蹤的性能。在利用結(jié)構(gòu)化學習器進行預測時，其目標是預測給定樣本x∈Rd的結(jié)構(gòu)化輸出y∈Y，其中Y可以是任意結(jié)構(gòu)輸出空間。在基于結(jié)構(gòu)化SVM的目標跟蹤中，Y是矩形框空間，它的任一元素用（x，y，w，h）表示，其中（x，y）表示矩形框的中心位置，w和h分別表示矩形框的寬和高。假設(shè)訓練數(shù)據(jù)為表示矩形框y在圖像x上的特征向量，則可以通過式（3）學習一個參數(shù)為w的分類器。

3 一種基于模糊結(jié)構(gòu)化SVM目標跟蹤方法

3.1 基于模糊結(jié)構(gòu)化SVM模型

本文針對存在的采樣樣本不均衡問題，提出一種基于模糊結(jié)構(gòu)化SVM模型，該模型描述如下：

其中，C、ξi、Ψi(y)和 L(yi,y)的含義如式（4）中所示，ui在此表示采樣樣本的重要程度，ui越大表示樣本重要程度越高，對其分錯的懲罰系數(shù)也就越大。ui越小表示樣本重要程度越低，對其分錯的懲罰系數(shù)也就越小。

3.2 樣本重要度的設(shè)計計算

在目標周圍進行采樣的過程中，所得到采樣框均勻地分布在目標框的周圍，本文根據(jù)兩方面設(shè)計采樣樣本的重要度函數(shù)，一方面根據(jù)樣本框中心點與目標框中心點之間的距離設(shè)計，另一方面根據(jù)樣本框與目標框的重疊度進行設(shè)計。

3.3 基于模糊結(jié)構(gòu)化SVM算法

4 實驗結(jié)果與分析

表1給出了本文方法、DLSSVM和Struck等三種基于結(jié)構(gòu)化SVM跟蹤器在OTB100［12］數(shù)據(jù)集上的OPE性能指標比較結(jié)果。從表1可以看出，在Precision和Success兩項指標上，本文提出的方法均明顯優(yōu)于其它跟蹤器。由表1中的比較結(jié)果可以看出：本文方法不僅在性能上有明顯提升，而且對目標跟蹤速度幾乎沒有影響。

表2給出了本文方法與基準跟蹤器DLSSVM在不同挑戰(zhàn)性視頻中的比較結(jié)果。由表2可以看出，本文方法在背景混雜、目標形變、遮擋和運動模糊等挑戰(zhàn)性視頻中均有顯著提升，這一結(jié)果表明了本文方法的有效性。

表1 三種基于結(jié)構(gòu)化SVM的跟蹤器在OTB100數(shù)據(jù)集上的OPE性能與速度指標

表2 本文方法與基準跟蹤器DLSSVM在不同屬性視頻中的表現(xiàn)比較

5 結(jié)語

基于結(jié)構(gòu)化SVM的目標跟蹤中存在著采樣樣本不均衡的問題。針對這個問題，本文以現(xiàn)有的結(jié)構(gòu)化SVM跟蹤算法為基礎(chǔ)，提出了一種基于模糊結(jié)構(gòu)化SVM的目標跟蹤模型，對每個采樣樣本施加于相應(yīng)的重要度，并基于對偶坐標下降原理對模型進行求解。實驗結(jié)果顯示相較于基準跟蹤器DLSSVM跟蹤算法，在精確率和成功率兩個指標上均有明顯的提高，在背景混雜、目標形變、遮擋和運動模糊等屬性視頻中跟蹤性能提升明顯。