張 博, 龍 慧, 劉 剛,2

(1. 長(zhǎng)沙師范學(xué)院 信息科學(xué)與工程學(xué)院, 湖南 長(zhǎng)沙 410100；2. 中南大學(xué) 物理與電子學(xué)院, 湖南 長(zhǎng)沙 410083)

1 引 言

在不同成像條件下，不同目標(biāo)物體存在著多種呈現(xiàn)模式以及灰度變化，在圖像配準(zhǔn)技術(shù)的控制下，逐漸演化出多種圖像特征，不同視頻幀存在著不同特征參數(shù)，以該參數(shù)作為特征屬性約束條件，制品通道內(nèi)也就產(chǎn)生了多種特征約束過(guò)程。在微電子技術(shù)不斷創(chuàng)新突破的背景下，數(shù)字信號(hào)處理單元逐漸成為視頻處理系統(tǒng)的核心處理模塊，經(jīng)處理單元處理后的視頻也就形成了多通道視頻[1]。多頻道視頻內(nèi)部有著多種通道結(jié)構(gòu)，不同的通道結(jié)構(gòu)存在著不同的可追蹤目標(biāo)。為此，在特征約束和光流場(chǎng)模型的支持下，針對(duì)多通道視頻目標(biāo)構(gòu)建一種目標(biāo)跟蹤算法，能夠應(yīng)用到多個(gè)領(lǐng)域中，為人機(jī)交互以及視頻監(jiān)控技術(shù)提供技術(shù)支持。

從當(dāng)下的目標(biāo)跟蹤算法組成來(lái)看，其在大體上包括生成式跟蹤和判斷式跟蹤兩種類別。生成式跟蹤過(guò)程需將目標(biāo)跟蹤轉(zhuǎn)化為臨近搜索，并構(gòu)建一個(gè)追蹤過(guò)程，不斷設(shè)定跟蹤區(qū)域條件，實(shí)現(xiàn)跟蹤范圍的逼近，并形成一個(gè)追蹤過(guò)程。判斷式跟蹤算法能夠?qū)⒁曨l目標(biāo)劃分為一個(gè)二元分類過(guò)程，采用不同參數(shù)的分類器，將視頻目標(biāo)從視頻背景當(dāng)中抽取出來(lái)，并形成一個(gè)動(dòng)態(tài)的抽取過(guò)程，實(shí)現(xiàn)了視頻目標(biāo)跟蹤過(guò)程。但從實(shí)際應(yīng)用角度來(lái)看，生成式跟蹤過(guò)程的計(jì)算量較大，存在一定的時(shí)滯性。判斷式跟蹤算法實(shí)際使用的訓(xùn)練器內(nèi)含多種背景信息，能夠?qū)崟r(shí)在線進(jìn)行匹配，極大地方便了跟蹤視頻目標(biāo)任務(wù)運(yùn)行。

隨著網(wǎng)絡(luò)特征提取方法的發(fā)展，目標(biāo)跟蹤算法獲取了質(zhì)的飛躍，受到多通道視頻層次的影響，視頻目標(biāo)存在大量的卷積特征，影響了跟蹤算法的運(yùn)行時(shí)間。在視頻聯(lián)網(wǎng)狀態(tài)下，更新網(wǎng)絡(luò)系數(shù)后，現(xiàn)有跟蹤算法跟蹤速度較小，無(wú)法達(dá)到即時(shí)跟蹤的效果。由此可知，研究目標(biāo)跟蹤算法是很有必要的。

文獻(xiàn)[2]中通過(guò)增強(qiáng)邊緣特征的學(xué)習(xí)程度來(lái)強(qiáng)化特征提取，通過(guò)自適應(yīng)更新進(jìn)行是否需要模型更新的判斷，從而完成對(duì)相關(guān)濾波目標(biāo)的跟蹤處理。該算法能夠較好地適應(yīng)復(fù)雜背景干擾，但其閾值設(shè)置判斷需要豐富經(jīng)驗(yàn)，對(duì)結(jié)果的誤差影響較大。文獻(xiàn)[3]采用Multi-Egocentric技術(shù)的跟蹤算法，能夠?qū)?yīng)多通道視頻目標(biāo)構(gòu)建跟蹤框架，能夠提升實(shí)際跟蹤時(shí)的速度，但其實(shí)際的跟蹤精度較差。文獻(xiàn)[4]設(shè)計(jì)了雙相關(guān)濾波器的跟蹤算法，能夠?qū)⒉煌ǖ纼?nèi)的視頻目標(biāo)處理為不同模型，對(duì)應(yīng)不同的運(yùn)動(dòng)模型，構(gòu)建不同的跟蹤過(guò)程。其能夠一定程度上增強(qiáng)跟蹤結(jié)果的精度，但跟蹤耗時(shí)較長(zhǎng)。文獻(xiàn)[5]提出與快速多域卷積神經(jīng)網(wǎng)絡(luò)融合的跟蹤算法，能夠綜合多通道視頻中的特征，增強(qiáng)了跟蹤結(jié)果的精度，但得到的特征信息較多，在實(shí)際運(yùn)行時(shí)，會(huì)產(chǎn)生較大的荷載，增加了跟蹤算法的處理時(shí)間。文獻(xiàn)[6]提出將多層深度線性特征插值運(yùn)算，通過(guò)特征融合訓(xùn)練深度模型。但該算法的深度模型是在海量圖片訓(xùn)練集上得到的，計(jì)算量繁重，耗時(shí)較長(zhǎng)。文獻(xiàn)[7]使用多層卷積特征計(jì)算視頻圖像多目標(biāo)的相關(guān)性，然后采用自適應(yīng)決策融合響應(yīng)特征，從而跟蹤目標(biāo)信息。但該算法需要綜合多個(gè)跟蹤器的歷史信息，計(jì)算量較復(fù)雜。文獻(xiàn)[8]融入了改進(jìn)RT-MDNet的跟蹤算法，能夠使用改進(jìn)優(yōu)化處理后的網(wǎng)絡(luò)，將多通道內(nèi)的視頻圖像劃分為不同的網(wǎng)格尺度，能夠增強(qiáng)原有跟蹤時(shí)的精度。但其形成的網(wǎng)格尺度信息較為冗雜，在管理信息時(shí)存在一定的難度。文獻(xiàn)[9]采用了自適應(yīng)深度學(xué)習(xí)技術(shù)的跟蹤算法能夠及時(shí)修正視頻圖像中產(chǎn)生的外觀形變，排除一定的背景干擾。但該跟蹤算法無(wú)法保證跟蹤算法的魯棒性，容易產(chǎn)生跟蹤丟失的情況。文獻(xiàn)[10]根據(jù)目標(biāo)位置估算結(jié)果設(shè)計(jì)跟蹤算法，能夠結(jié)合不同通道結(jié)構(gòu)，估算視頻目標(biāo)的位置參數(shù)，并使用該參數(shù)搭建一個(gè)跟蹤過(guò)程。該種跟蹤算法極大地減少了算法的計(jì)算量，但在參數(shù)固定階段容易受到外部噪聲的影響，產(chǎn)生一定的跟蹤偏差。文獻(xiàn)[11]通過(guò)遮擋檢測(cè)技術(shù)設(shè)計(jì)融合算法，再根據(jù)多塊位置信息融合結(jié)果檢測(cè)得到視頻中遮擋位置的各項(xiàng)參數(shù)，增強(qiáng)了跟蹤算法的性能。但其對(duì)檢測(cè)環(huán)境的要求較高，還不具有成熟的操作性。

圖像中構(gòu)成2D瞬時(shí)速度場(chǎng)的像素的集合被稱為光流場(chǎng)。從計(jì)算機(jī)視覺(jué)處理過(guò)程來(lái)看，利用光流場(chǎng)處理的方法占據(jù)著重要的位置。從光流場(chǎng)處理過(guò)程來(lái)看，能夠一定程度地恢復(fù)視頻圖像中物體的三維結(jié)構(gòu)和運(yùn)動(dòng)規(guī)律，是計(jì)算機(jī)圖像處理技術(shù)中的重要處理工具[12]。

為此，針對(duì)傳統(tǒng)的目標(biāo)跟蹤算法存在的不足，本研究基于特征約束與光流場(chǎng)模型設(shè)計(jì)了一種新的多通道視頻目標(biāo)跟蹤算法。該算法利用像素參數(shù)控制光流場(chǎng)模型偏差，然后通過(guò)歸一化處理獲得多通道視頻特征，將多維度的特征經(jīng)過(guò)全局池化處理映射為一個(gè)參數(shù)數(shù)值，實(shí)現(xiàn)特征約束，從而有效減少目標(biāo)跟蹤計(jì)算量。

2 多通道視頻目標(biāo)跟蹤算法

本文算法的設(shè)計(jì)思路如圖1所示。

圖1 多通道視頻目標(biāo)跟蹤算法的設(shè)計(jì)思路Fig.1 Design idea of the multi-channel video target tracking algorithm

2.1 視頻特征分析

本研究在利用光流模型分析視頻特征時(shí)，將視頻圖像中的某幀圖像作為處理對(duì)象，根據(jù)檢測(cè)得到的圖像像素強(qiáng)度與時(shí)間參數(shù)間的數(shù)值關(guān)系，采用移動(dòng)向量和的方法，在某時(shí)間尺度內(nèi)，設(shè)定視頻圖像的強(qiáng)度，設(shè)定的強(qiáng)度數(shù)值可表示為：

T(x,y)=I(x,y,t)，

(1)

其中:I(x,y,t)表示t時(shí)刻內(nèi)像素點(diǎn)的強(qiáng)度，x、y表示像素點(diǎn)的所處位置。假定在固定的視頻周期Δt內(nèi)，視頻像素產(chǎn)生了一定增加，此時(shí)像素點(diǎn)就可表示為：

(2)

上述計(jì)算公式中，各項(xiàng)參數(shù)含義不變。綜合上述兩項(xiàng)像素點(diǎn)間的數(shù)值關(guān)系，此時(shí)就可計(jì)算得到像素點(diǎn)變化前后的數(shù)值關(guān)系，就可表示為：

(3)

IxVx+IyVy=-It，

(4)

其中:It表示光流場(chǎng)模型的尺度變化時(shí)間。在該數(shù)值模型的控制下，多通道的視頻圖像中，復(fù)雜的背景會(huì)引起光流場(chǎng)數(shù)值的變化，為此設(shè)定一個(gè)視頻隨機(jī)變量X，可表示為：

X={x1,x2,...,xn}，

(5)

其中:xn表示視頻圖像的像素點(diǎn)方差。對(duì)應(yīng)單個(gè)圖像的像素采樣點(diǎn)，使用高斯分布概率，計(jì)算單獨(dú)像素采樣點(diǎn)的概率密度，可表示為：

(6)

其中:wi表示像素采樣點(diǎn)參數(shù)，η表示隨機(jī)變量參數(shù)，k表示分布模式參數(shù)。在設(shè)定高斯分布的隸屬時(shí)間參數(shù)后，設(shè)定新像素參數(shù)Xt，控制模型均值的偏差λσ，此時(shí)視頻特征的匹配參數(shù)關(guān)系就可表示為：

|Xt-ui,t-1|<λσ，

(7)

其中:ui,t-1表示匹配像素的分布參數(shù)。當(dāng)視頻圖像符合上述計(jì)算公式(7)的數(shù)值關(guān)系時(shí)，此時(shí)定義該背景像素為前景，權(quán)重更新上述參數(shù)，對(duì)像素模型更新歸一化處理后，最終得到的視頻特征就可表示為：

(8)

其中，α表示歸一參數(shù)，Mk,t表示視頻像素匹配參數(shù)。使用上述得到的視頻特征，可以構(gòu)建多通道特征約束關(guān)系。

2.2 多通道視頻特征約束關(guān)系分析

在上述得到的視頻特征下，采用全局池化處理方式，將多維度特征映射為一個(gè)特征數(shù)值，處理過(guò)程可表示為：

(9)

其中:sc表示第c個(gè)視頻通道的特征參數(shù)，x(i,j)表示池化處理后的特征數(shù)值，W、H表示圖像通道維度。映射處理后，連接圖像像素特征值，并進(jìn)行降維處理，設(shè)定一個(gè)縮放參數(shù)，像素特征值就可表示為：

xd=H(xc,sc)，

(10)

其中:xd表示縮放參數(shù)處理后的像素特征數(shù)值，其余參數(shù)含義不變?？s放處理時(shí)，視頻圖像的特征參數(shù)容易產(chǎn)生一定的升維[13-14]，多通道的視頻參數(shù)產(chǎn)生了一定的貢獻(xiàn)度，采用一個(gè)激活函數(shù)，將多通道的數(shù)值大小映射成為一個(gè)參數(shù)數(shù)值，就可表示為：

(11)

其中:fmin、fmax表示視頻多通道最值響應(yīng)函數(shù)，fw,h表示像素維度數(shù)值下的處理函數(shù)。在上述數(shù)量關(guān)系下，不同像素幀下的圖像呈現(xiàn)處理多峰起伏的狀態(tài)[15]，影響了多通道視頻的背景變換，為此，采用上述參數(shù)數(shù)值，設(shè)定一個(gè)參數(shù)更新關(guān)系，更新關(guān)系可表示為：

(12)

其中:β表示更新參數(shù)，其余參數(shù)含義不變。隨著視頻各個(gè)圖像間切換，更新處理后的多通道視頻背景容易產(chǎn)生一定的尺度偏差[16-17]，在對(duì)應(yīng)的視頻通道內(nèi)設(shè)定一個(gè)尺度因子a，將多通道看作為不同的尺度級(jí)別，此時(shí)多通道的視頻尺度就可表示為：

(13)

其中:S表示尺度級(jí)別，n表示尺度的縮放參數(shù)。由上述參數(shù)得到統(tǒng)一標(biāo)準(zhǔn)的尺度截取框，可表示為：

(14)

其中:CD表示得到的尺度截取框，p表示上曲參數(shù)，m表示尺度參數(shù)。為了控制尺度截取框的精度，將對(duì)應(yīng)處理幀的圖像處理為多個(gè)圖像塊[18-19]，構(gòu)建形成的多通道特征約束關(guān)系就可表示為：

(15)

其中:i表示視頻圖像的尺度通道，N表示視頻圖像中的通道總數(shù)，k表示超參數(shù)，其余參數(shù)含義不變。使用上述構(gòu)建得到的約束關(guān)系作為視頻目標(biāo)跟蹤框架，最終構(gòu)建一個(gè)目標(biāo)跟蹤算法。

2.3 視頻目標(biāo)跟蹤

在上述多通道視頻背景約束關(guān)系下，將視頻圖像劃分為背景區(qū)域以及目標(biāo)區(qū)域[20]，并使用相關(guān)濾波處理為兩個(gè)卷積函數(shù)，可表示為：

y=x?h，

(16)

其中:x表示輸入視頻圖像，h表示相關(guān)濾波器參數(shù)，?表示卷積處理。使用傅里葉變換轉(zhuǎn)換視頻目標(biāo)的背景域，可表示為：

Y=X*H*，

(17)

其中:X*表示背景空域信號(hào)參數(shù)，H*表示濾波器頻域的復(fù)共軛。為了精確匹配候選樣本與背景區(qū)域[21]，采用最小輸出參數(shù)，計(jì)算得到一個(gè)最佳濾波器參數(shù)，可表示為：

(18)

其中:Xi、Yi分別表示圖像輸入和輸出參數(shù)，其余參數(shù)含義不變。在計(jì)算公式(18)的參數(shù)控制下，構(gòu)建一個(gè)共軛閉合形式，輸出一個(gè)閉合共軛跟蹤參數(shù)，可表示為：

(19)

其中:FH表示計(jì)算得到的閉合共軛參數(shù)，其余參數(shù)含義不變。為了增加跟蹤算法的精度，構(gòu)建一個(gè)運(yùn)動(dòng)模型，實(shí)現(xiàn)對(duì)上述處理過(guò)程的迅速實(shí)現(xiàn)，可表示為：

(20)

其中:f(Xi)表示構(gòu)建的視頻圖像運(yùn)動(dòng)函數(shù)，其余參數(shù)含義不變。為了控制視頻圖像的過(guò)度擬合，導(dǎo)致視頻目標(biāo)出現(xiàn)錯(cuò)誤跟蹤的情況[22-24]，采用復(fù)數(shù)形式處理圖像維度為一個(gè)閉合形式的解，可表示為：

R=(XT+κI)，

(21)

其中:XT表示不同維度的圖像輸出參數(shù)，I表示對(duì)應(yīng)的視頻目標(biāo)，κ為正則化參數(shù)。在重復(fù)處理過(guò)程或是復(fù)雜背景下，為了簡(jiǎn)化跟蹤算法的計(jì)算量[25]，將式(21)形成的跟蹤算法閉合解，處理為一個(gè)圖像目標(biāo)對(duì)角化形式，計(jì)算公式可表示為：

X′=FH·d(X)，

(22)

其中:d(X)表示像素的對(duì)角陣，X′表示目標(biāo)輸出信息。在上述處理過(guò)程中引入一個(gè)循環(huán)處理矩陣，不斷循環(huán)處理多通道中的視頻目標(biāo)，最終完成對(duì)跟蹤算法的構(gòu)建。

3 仿真實(shí)驗(yàn)與結(jié)果分析

為驗(yàn)證上述設(shè)計(jì)的基于特征約束與光流場(chǎng)模型的多通道視頻目標(biāo)跟蹤算法的可行性，設(shè)計(jì)如下實(shí)驗(yàn)。

3.1 實(shí)驗(yàn)準(zhǔn)備

實(shí)驗(yàn)準(zhǔn)備CPU參數(shù)為Intel(R) Core(TM) i5-5200U CPU@2.2 GHz 2.19 GHz的計(jì)算機(jī)，控制該計(jì)算機(jī)的內(nèi)存為4 G，并使用 Visual Studio 2020作為開(kāi)發(fā)工具。隨機(jī)選定OTB數(shù)據(jù)集中的視頻圖像模擬多通道視頻目標(biāo)。選定10組視頻序列作為實(shí)驗(yàn)對(duì)象，設(shè)定視頻圖像的幀數(shù)后，測(cè)量圖像的分辨率，模擬視頻圖像存在的復(fù)雜背景，模擬得到的復(fù)雜背景如表1所示。

表1 模擬得到的復(fù)雜背景Tab.1 Complex backgrounds obtained from simulations

續(xù) 表

使用表1模擬得到的復(fù)雜背景，算法代碼使用MATLAB2016a軟件編寫(xiě)，并承載兩種傳統(tǒng)跟蹤算法與設(shè)計(jì)的跟蹤算法運(yùn)行，在固定圖像中的各項(xiàng)參數(shù)后，設(shè)定圖像尺度數(shù)值。

為避免實(shí)驗(yàn)結(jié)果的單一性，將文獻(xiàn)[2]中基于自適應(yīng)更新的目標(biāo)跟蹤算法、文獻(xiàn)[4]中應(yīng)用雙相關(guān)濾波器的目標(biāo)跟蹤算法、文獻(xiàn)[5]中應(yīng)用快速多域卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)跟蹤算法、文獻(xiàn)[8]中的基于改進(jìn)RT-MDNet的目標(biāo)跟蹤算法、文獻(xiàn)[10]中的基于地面估算與目標(biāo)位置估計(jì)的多目標(biāo)跟蹤算法、文獻(xiàn)[11]中的基于遮擋檢測(cè)和多塊位置信息的目標(biāo)跟蹤算法作為對(duì)比，與本文算法共同完成性能驗(yàn)證。

3.2 結(jié)果與分析

首先對(duì)本文算法的性能展開(kāi)初步驗(yàn)證，利用其對(duì)3段視頻圖像中的目標(biāo)進(jìn)行跟蹤，實(shí)驗(yàn)結(jié)果如圖2所示。

在初步驗(yàn)證階段，選用了低照度視頻片段、快速移動(dòng)視頻片段和復(fù)雜背景的視頻片段，利用本文算法對(duì)上述3段視頻中的目標(biāo)進(jìn)行跟蹤。根據(jù)圖2所示結(jié)果可知，利用本文算法可以在不同場(chǎng)景、不同光照下完成對(duì)目標(biāo)信息的有效跟蹤，從而初步驗(yàn)證了本文算法的有效性。

圖2 算法實(shí)際應(yīng)用效果Fig.2 Actual application effect of the algorithm

在此基礎(chǔ)上，完成對(duì)比驗(yàn)證。首先定義跟蹤算法的距離精確度，精確度計(jì)算過(guò)程可表示為：

(23)

其中:μ表示懲罰因子，λ表示過(guò)擬合參數(shù)，K表示圖像分類參數(shù)大小，n表示圖像尺度池大小。在上述數(shù)值關(guān)系控制下，計(jì)算并統(tǒng)計(jì)7種跟蹤算法的跟蹤結(jié)果精確度，結(jié)果如表2所示。

表2 跟蹤算法精確度結(jié)果Tab.2 Tracking algorithm accuracy results

續(xù) 表

為更直觀地體現(xiàn)不同算法的跟蹤精確度，將表2中的數(shù)據(jù)以折線圖的形式體現(xiàn)，如圖3所示。

根據(jù)表2、圖3所示的實(shí)驗(yàn)結(jié)果可知，文獻(xiàn)[2]中的跟蹤算法的精度數(shù)值在0.66～0.69之間；文獻(xiàn)[4]中的跟蹤算法的精度數(shù)值在0.71～0.79之間；文獻(xiàn)[5]中的跟蹤算法的精確度數(shù)值在0.82～0.90之間，與文獻(xiàn)[8]算法的精確度較為接近；文獻(xiàn)[10]中的跟蹤算法的精確度數(shù)值在0.61～0.79之間;文獻(xiàn)[11]中的跟蹤算法的精確度數(shù)值在0.72～0.89之間；而本文算法的精確度始終保持在0.90以上，最高可達(dá)到0.96。與幾種對(duì)比算法相比，本文算法在跟蹤精度方面的性能明顯更好。

圖3 不同算法跟蹤精確度對(duì)比Fig.3 Comparison of tracking accuracy of different algorithms

產(chǎn)生上述結(jié)果的原因在于本文算法通過(guò)設(shè)定視頻隨機(jī)變量控制光流場(chǎng)數(shù)值模型的變化，達(dá)到了控制偏差的目的，從根本上提高了目標(biāo)跟蹤精確度。

保持上述實(shí)驗(yàn)環(huán)境不變，若算法在跟蹤過(guò)程自動(dòng)變換處理函數(shù)，則表明跟蹤算法成功跟蹤了圖像目標(biāo)?；诖?，統(tǒng)計(jì)成功追蹤的視頻圖像，并計(jì)算5種追蹤算法的成功率，可表示為：

(24)

其中:su表示成功追蹤率，N0表示追蹤過(guò)程中變換處理算法的圖像，T0表示準(zhǔn)備圖像的數(shù)量。在上述計(jì)算公式控制下，統(tǒng)計(jì)不同算法的成功率，如表3所示。

表3 追蹤算法的成功率結(jié)果Tab.3 Tracking algorithm accuracy results

續(xù) 表

為更直觀地體現(xiàn)不同算法的追蹤成功率，將表3中的數(shù)據(jù)以折線圖的形式體現(xiàn)，如圖4所示。

圖4 不同算法的追蹤成功率Fig.4 Tracking success rate of different algorithms

根據(jù)表3、圖4所示的實(shí)驗(yàn)結(jié)果可知，文獻(xiàn)[2]中的跟蹤算法成功率在70%～75%之間；文獻(xiàn)[4]中的跟蹤算法成功率在80%～85%之間；文獻(xiàn)[5]中的跟蹤算法跟蹤成功率在85%～90%之間，與文獻(xiàn)[11]算法的跟蹤成功率較為接近；文獻(xiàn)[8]中的追蹤算法成功追蹤率在90%上下；文獻(xiàn)[10]中的追蹤算法成功追蹤率在90%～95%之間；而本文算法的成功追蹤率始終處于96%以上。與另外6種文獻(xiàn)算法相比，本文算法可成功追蹤的視頻目標(biāo)更多。

本文算法利用激活函數(shù)將多通道參數(shù)數(shù)值映射處理為固定參數(shù)，構(gòu)建多通道特征約束關(guān)系控制特征參數(shù)發(fā)生升維，減少數(shù)據(jù)計(jì)算維數(shù)，從而提高了成功追蹤率。

在上述實(shí)驗(yàn)環(huán)境下，引入剪裁矩陣計(jì)算視頻目標(biāo)的邊界參數(shù)，并使用該邊界參數(shù)構(gòu)建一個(gè)復(fù)雜度數(shù)值關(guān)系，計(jì)算過(guò)程可表示為：

(25)

圖5 跟蹤算法時(shí)間復(fù)雜度結(jié)果Fig.5 Tracking algorithm time complexity results

其中：κ表示邊界參數(shù)，F(xiàn)表示標(biāo)定圖像中的視頻幀總數(shù)，b表示追蹤時(shí)間響應(yīng)參數(shù)。在不同算法的控制下，其跟蹤時(shí)間復(fù)雜度結(jié)果如圖5所示。

使用上述復(fù)雜度公式，計(jì)算7種跟蹤算法的時(shí)間復(fù)雜度。根據(jù)圖5所示的實(shí)驗(yàn)結(jié)果可知，相比于其他6種跟蹤算法，本文算法的時(shí)間復(fù)雜度更低，其跟蹤過(guò)程耗時(shí)最多僅需5.5 s，始終少于其他6種跟蹤算法，證明其實(shí)際產(chǎn)生的計(jì)算量更少。

本文算法通過(guò)歸一化處理獲得多通道視頻特征，將多維度的特征經(jīng)過(guò)全局池化處理映射為一個(gè)參數(shù)數(shù)值，實(shí)現(xiàn)特征約束，從而有效減少目標(biāo)跟蹤計(jì)算量，也就減少了跟蹤過(guò)程的時(shí)間復(fù)雜度。

4 結(jié) 論

視頻目標(biāo)跟蹤算法不斷地發(fā)展，運(yùn)用特征約束與光流場(chǎng)模型構(gòu)建跟蹤算法逐漸成為研究重點(diǎn)。本研究基于特征約束與光流場(chǎng)模型設(shè)計(jì)了一種多通道視頻目標(biāo)跟蹤算法。該算法通過(guò)設(shè)定視頻隨機(jī)變量控制光流場(chǎng)數(shù)值模型的變化，然后提取出多通道視頻的歸一化特征，通過(guò)全局池化處理方式解決傳統(tǒng)方法多維度特征計(jì)算繁雜的問(wèn)題，有效減少了目標(biāo)跟蹤計(jì)算量，從而優(yōu)化了算法的應(yīng)用效果。實(shí)驗(yàn)結(jié)果表明，本文算法能夠有效改善傳統(tǒng)算法的不足，為目標(biāo)跟蹤工作的良好發(fā)展提供支持。