謝郭蓉，曲 毅，蔣镕圻

1.武警工程大學(xué) 研究生大隊(duì)，西安 710086

2.武警工程大學(xué) 信息工程學(xué)院，西安 710086

目標(biāo)跟蹤作為計(jì)算機(jī)視覺領(lǐng)域研究的一個熱點(diǎn)方向，在智能人機(jī)交互、視覺導(dǎo)航等領(lǐng)域中應(yīng)用廣泛，它是利用圖像序列上下文信息，對目標(biāo)外觀與運(yùn)動狀態(tài)構(gòu)建模型，并對目標(biāo)軌跡位置進(jìn)行預(yù)測與標(biāo)定的任務(wù)[1]。由于跟蹤場景干擾和目標(biāo)運(yùn)動狀態(tài)具有不確定性，跟蹤面臨目標(biāo)形變、尺度變化、平面內(nèi)外旋轉(zhuǎn)、光源變化、背景雜亂、相似干擾、遮擋等挑戰(zhàn)因素，隨著跟蹤算法不斷發(fā)展，目前目標(biāo)形變、光源變化等問題已有解決方案，但緩解因遮擋導(dǎo)致的跟蹤漂移問題仍未有明顯起色，因此遮擋問題仍是目標(biāo)跟蹤的熱點(diǎn)與難點(diǎn)問題。如表1為最近VOT跟蹤算法競賽最具挑戰(zhàn)性的前三項(xiàng)屬性場景的平均性能，包括遮擋（occlusion，OC）、尺度變化（size change，SC）、運(yùn)動變化（motion change，MC）、光照變化（illumination change，IC）、相機(jī)抖動（camera motion，CM）?？梢?，遮擋作為實(shí)際場景中頻繁出現(xiàn)的因素，最具有挑戰(zhàn)性。

表1 VOT前三項(xiàng)最具挑戰(zhàn)屬性的平均性能Table 1 Average performance of top three most challenging attributes of VOT

跟蹤遮擋目標(biāo)極易漂移的原因主要有：（1）因遮擋物覆蓋導(dǎo)致目標(biāo)部分特征消失，此時易因模型難匹配而跟蹤失敗的問題。（2）遮擋物位置鄰近目標(biāo)，可能會在候選框內(nèi)引入背景干擾信息，隨著誤差積累，模型易漂移至干擾物上。（3）當(dāng)目標(biāo)被完全遮擋時，為及時檢測目標(biāo)需擴(kuò)大搜索范圍，但因引入大量干擾物導(dǎo)致模型誤判崩潰。

為實(shí)現(xiàn)模型在復(fù)雜場景下的穩(wěn)健跟蹤，應(yīng)特別注意模型學(xué)習(xí)更新過程中擬合的有效性。一方面，模型需要及時擬合外觀變化的目標(biāo)并更新，以防跟丟目標(biāo)對象；另一方面，要避免模型過擬合被遮擋受損樣本及相似遮擋干擾物。實(shí)際上，學(xué)習(xí)提取有效信息以構(gòu)建強(qiáng)判別力的跟蹤模型，能緩解過擬合問題；結(jié)合恰當(dāng)模型更新機(jī)制，有助于提高模型跟蹤可靠性，這些對適應(yīng)遮擋等復(fù)雜場景具有關(guān)鍵意義。

為提高跟蹤算法在遮擋等實(shí)際場景下的性能，本文首先剖析了遮擋屬性不利于跟蹤的原因，指出了提高模型抗遮擋性能的根本思路，而后基于模型構(gòu)建與學(xué)習(xí)的角度，分析了遮擋場景下跟蹤效果更優(yōu)算法的有效抗遮擋方案及各策略對長期遮擋的適應(yīng)性，包括：（1）基于高質(zhì)訓(xùn)練樣本的跟蹤算法。引入挖掘易誤檢負(fù)樣本，提高模型抵抗遮擋等語義或非語義干擾能力；生成與管理多樣高質(zhì)正樣本，提高模型泛化性能；生成類遮擋硬陽性樣本，針對遮擋場景屬性特點(diǎn)，使模型學(xué)習(xí)對遮擋不敏感的魯棒特征。（2）基于有效學(xué)習(xí)策略的跟蹤算法，通過基于時間一致性學(xué)習(xí)、空間自適應(yīng)學(xué)習(xí)的穩(wěn)定模型訓(xùn)練，避免遮擋等突變樣本幀的受損信息影響模型性能；通過針對實(shí)例跟蹤任務(wù)設(shè)計(jì)有效學(xué)習(xí)策略，學(xué)習(xí)可判別形變目標(biāo)與類間類內(nèi)干擾的長期魯棒特征信息，避免跟蹤期間模型漂移。（3）基于可靠更新策略的跟蹤算法，通過手工設(shè)計(jì)準(zhǔn)確置信度、自適應(yīng)決策更新時機(jī)及時檢測到遮擋等不可靠狀態(tài)后調(diào)整方案，建立時序記憶庫、自適應(yīng)估計(jì)模板更新策略校正錯誤更新，提高長期跟蹤等場景下模型跟蹤穩(wěn)健性；而后對各策略代表跟蹤算法在數(shù)據(jù)集上遮擋、出視野等屬性及所有序列的性能進(jìn)行比較分析，剖析了策略提升各屬性場景性能的本質(zhì)原因，最后總結(jié)抗遮擋策略并提出了骨干網(wǎng)替換及遷移學(xué)習(xí)場景理解、運(yùn)動軌跡先驗(yàn)信息的研究方向。

1 基于高質(zhì)訓(xùn)練樣本集的跟蹤算法

目前主流跟蹤算法主要有兩類：基于深度學(xué)習(xí)跟蹤算法和基于相關(guān)濾波跟蹤算法，后者常通過結(jié)合深度特征提高模型判別力，因此這兩類算法均基于數(shù)據(jù)驅(qū)動，提升訓(xùn)練樣本質(zhì)量可獲得顯著跟蹤效果提升。實(shí)際上，許多跟蹤算法擴(kuò)充樣本集方式為目標(biāo)周圍密集采樣，這存在正樣本缺乏多樣性、正負(fù)樣本類別不均兩大問題，造成訓(xùn)練所得模型抗干擾能力、泛化性能差，易漏判被遮掩目標(biāo)視覺特征、誤判相似干擾物為正樣本。針對這些問題，構(gòu)造高質(zhì)訓(xùn)練樣本集的策略，使模型學(xué)習(xí)到可區(qū)分被遮擋目標(biāo)與干擾物判別性信息，提高跟蹤算法的抗遮擋性能。

1.1 易誤檢負(fù)樣本引入與挖掘

跟蹤場景總存在背景環(huán)境、遮擋物和相似物等干擾信息，這使模型容易在部分遮擋時漂移至遮擋物上，在嚴(yán)重遮擋、出視野后因漂移至語義干擾物上而難以恢復(fù)跟蹤。實(shí)際上，限制模型抗干擾性能的原因之一，是跟蹤任務(wù)存在訓(xùn)練樣本分布不均衡的問題：（1）跟蹤視頻圖像中，跟蹤對象實(shí)例往往占比很小，存在大量非語義背景干擾信息，而這些大量簡單負(fù)樣本易主導(dǎo)模型訓(xùn)練過程，這讓跟蹤器傾向于學(xué)習(xí)非語義背景與語義樣本差異，缺乏類間、類內(nèi)判別信息而易漂移至語義干擾上。（2）用于跟蹤模型離線訓(xùn)練的大規(guī)模數(shù)據(jù)集常用于分類檢測任務(wù)，雖其提供了一定類間判別信息，但類內(nèi)判別信息不足，因其不完全適用跟蹤特定對象的實(shí)例級任務(wù)。

因此，提高跟蹤模型抗干擾能力的思路之一，為引入或挖掘充足的易誤檢負(fù)訓(xùn)練樣本，避免大量冗余簡單負(fù)樣本主導(dǎo)學(xué)習(xí)，從而引導(dǎo)模型注意判別正負(fù)語義樣本的特征，主要方案有：（1）改進(jìn)損失函數(shù)降低無效負(fù)樣本的影響，這類算法有文獻(xiàn)[2-4]；（2）挖掘少數(shù)易誤判負(fù)樣本，這類算法有文獻(xiàn)[5-8]；（3）引入真實(shí)場景高質(zhì)負(fù)樣本，語義越相似越能使模型專注細(xì)粒度特征，此類算法有文獻(xiàn)[9-10]。這些少量高質(zhì)的有效硬陰性樣本對提高模型判別力具有顯著效果，有助于在目標(biāo)遭遇嚴(yán)重遮擋、完全遮擋、出視野后，緩解跟蹤器漂移至相似干擾物上的問題，為遮擋等復(fù)雜場景下的長時穩(wěn)定跟蹤發(fā)揮重要作用。如表2為高質(zhì)負(fù)訓(xùn)練樣本代表跟蹤算法及其策略特點(diǎn)。

表2 高質(zhì)負(fù)訓(xùn)練樣本代表跟蹤算法及其策略特點(diǎn)Table 2 Representative tracking algorithm for high quality negative training samples and strategies characteristics

應(yīng)當(dāng)指出，著眼負(fù)訓(xùn)練樣本處理的策略，目的均為學(xué)習(xí)能區(qū)分背景干擾或語義相似干擾的判別性特征。其中，基于設(shè)計(jì)損失函數(shù)降低大量簡單負(fù)樣本主導(dǎo)影響的方式，能改善跟蹤效果的同時加快訓(xùn)練收斂速度，但若無高質(zhì)負(fù)樣本引入，其性能提升將效果有限；在線硬負(fù)樣本挖掘策略，其手動設(shè)置的閾值有應(yīng)用場景局限性；引入高質(zhì)量負(fù)樣本能促使模型學(xué)習(xí)判別信息，一般數(shù)據(jù)增強(qiáng)操作，能應(yīng)對光線、尺度、平移等簡單挑戰(zhàn)屬性，但最有效方案是引入類間、類內(nèi)語義負(fù)樣本，通過緩解非語義背景與語義干擾樣本不均衡問題，引導(dǎo)模型學(xué)習(xí)細(xì)粒度特征，更貼合跟蹤任務(wù)模型學(xué)習(xí)實(shí)例對象信息的需求。

另一方面，上述策略通過使模型專注學(xué)習(xí)語義正負(fù)樣本間的差異，增強(qiáng)跟蹤器抗干擾能力。但跟蹤器性能仍依賴于觀測模型的質(zhì)量，尤其在長期遮擋場景下，會放大誤差積累作用，模型更易崩潰。實(shí)際上，硬陰性樣本引入滿足數(shù)據(jù)驅(qū)動要求，在長期部分遮擋時利于緩解判別目標(biāo)與遮擋物，在長期完全遮擋下有助于緩解重檢測的漂移問題。因此，有效的負(fù)訓(xùn)練樣本處理策略，是解決短時和長時遮擋問題的一種有效途徑。

1.2 多樣高質(zhì)正樣本生成與管理

在遮擋等復(fù)雜場景下跟蹤，一方面目標(biāo)會因自身狀態(tài)與外界干擾而發(fā)生表觀變化，另一方面遮擋物會污染原正樣本，滿足多樣性、高質(zhì)量的正訓(xùn)練樣本集，能使得模型充分學(xué)習(xí)到對遮擋、形變等不敏感特征，準(zhǔn)確判別因遮擋而表觀變化的對象。

跟蹤觀測模型魯棒性與正訓(xùn)練樣本質(zhì)量息息相關(guān)，但由于采樣框內(nèi)常包含正樣本周圍的背景干擾，樣本易被遮擋、形變場景污染，因此正訓(xùn)練樣本質(zhì)量往往不佳。為降低受損樣本及干擾物不利影響，文獻(xiàn)[9-12]通過類裁剪操作去除采樣框內(nèi)背景干擾，文獻(xiàn)[13-15]以二值決策丟棄崩潰樣本。雖其緩和了擬合錯誤信息問題，但其固定二值掩模及決策手段，忽略了樣本間多樣性與冗余性而丟失了許多有效信息。與其相比，算法SRDCFdecon[16]首次設(shè)計(jì)了聯(lián)合學(xué)習(xí)目標(biāo)外觀模型、訓(xùn)練樣本權(quán)重的學(xué)習(xí)函數(shù)，以連續(xù)權(quán)重捕捉中度遮擋等仍含價值信息的樣本，結(jié)合對樣本重要性權(quán)重的每幀優(yōu)化更新，可重新確定樣本權(quán)重進(jìn)行錯誤校正，其聯(lián)合學(xué)習(xí)函數(shù)如下所示：

其中，nk代表每幀平均采樣數(shù)，ρk為k幀的先驗(yàn)權(quán)重，為k幀中提取的樣本，L(θ;xk,yk)為樣本損失函數(shù)，R(θ)為濾波器fθ的空間正則化項(xiàng)，等號右邊第二項(xiàng)為樣本權(quán)重正則項(xiàng)，樣本權(quán)重αk以指數(shù)衰減最小化聯(lián)合損失，其自適應(yīng)性由參數(shù)μ控制。雖其訓(xùn)練樣本凈化策略有效提升了高質(zhì)樣本的重要性，在尺度變化，背景雜亂、遮擋等多種復(fù)雜場景下具有更優(yōu)的跟蹤性能，但該方法丟棄歷史幀的方式仍有可能導(dǎo)致過擬合問題，其算法迭代過程也耗時較大。

維護(hù)樣本多樣性可提升模型泛化性能。但由于跟蹤任務(wù)中僅第一幀被標(biāo)記，模型常需要本身在線采集來擴(kuò)充樣本，但由于以下問題導(dǎo)致采集正樣本缺乏有效性：空間上，密集采樣和循環(huán)移位采樣方式所得訓(xùn)練正樣本高度重合；時序上，一段相鄰幀中目標(biāo)外觀差異不大。簡單暴力采樣方式一味增加了無效正訓(xùn)練樣本，損害模型泛化性，使其難判別因遮擋、平面內(nèi)外旋轉(zhuǎn)而形變的對象。有效維護(hù)樣本多樣性，學(xué)習(xí)魯棒目標(biāo)信息的方案主要分為：（1）基于組間差異最大準(zhǔn)則的樣本集建模，降低無效冗余樣本和少量突變受損樣本的負(fù)面影響，這類算法有文獻(xiàn)[17-18]；（2）通過數(shù)據(jù)增強(qiáng)，生成位移旋轉(zhuǎn)、形變等多類運(yùn)動狀態(tài)的目標(biāo)樣本，學(xué)習(xí)對遮擋等形變不敏感的魯棒特征，此類算法有文獻(xiàn)[10，12，17]；（3）自適應(yīng)生成有效正樣本，相比于人工設(shè)計(jì)的樣本增量方案，能提供更適用于計(jì)算機(jī)視覺判別任務(wù)的樣本信息，此類算法有文獻(xiàn)[19-20]。如表3為基于有效處理正樣本集的代表跟蹤算法及策略特點(diǎn)和場景適用性。

表3 基于有效正樣本集的代表跟蹤算法及特點(diǎn)Table 3 Representative tracking algorithm based on effective positive sample set and its characteristics

應(yīng)當(dāng)指出，高質(zhì)樣本有利于模型學(xué)判別特征，增強(qiáng)抵抗遮擋物、背景干擾的能力；多樣化樣本能增強(qiáng)模型泛化性能，促使模型在遮擋等場景下魯棒跟蹤形變對象。然而，著眼于提高樣本質(zhì)量的方案中，正負(fù)信息難完全區(qū)分，即使是利用了更充分信息的重賦值樣本方案，也無法避免過擬合問題，由于該方案未考慮跟蹤時序信息，增強(qiáng)其復(fù)雜性可能也不能帶來較大性能提升；相比前者，維持訓(xùn)練正樣本多樣性方案更貼近跟蹤任務(wù)，樣本組建模方案能去冗余信息，數(shù)據(jù)增強(qiáng)能補(bǔ)充類似運(yùn)動狀態(tài)樣本、自適應(yīng)生成方案能彌補(bǔ)訓(xùn)練數(shù)據(jù)集類別不足的問題，然而這種方案并未針對跟蹤屬性設(shè)計(jì)，因此無法判斷補(bǔ)充和生成的樣本是否可靠，并且還存在耗時大的風(fēng)險。

另一方面，長時遮擋場景會為樣本在線引入長期干擾信息，在線樣本組建模、凈化去污等提高樣本多樣性與質(zhì)量的策略，在較長一段時間內(nèi)模型依舊會擬合這些受損樣本，通過二值掩模裁剪去除大部分背景干擾信息等操作，會因缺乏空間學(xué)習(xí)自適應(yīng)性而過擬合。離線數(shù)據(jù)增強(qiáng)、自適應(yīng)生成樣本等策略，能改善長時遮擋場景跟蹤性能，但其依舊依賴于目標(biāo)模型的穩(wěn)健性。

1.3 類遮擋硬陽性樣本生成

訓(xùn)練數(shù)據(jù)集中，具有遮擋、形變等屬性樣本符合長尾分布，可供模型學(xué)習(xí)的對遮擋不敏感信息較少。生成類遮擋樣本的策略，能通過遮掩、交換特征通道等方法模擬目標(biāo)被遮擋效果，是提高遮擋目標(biāo)跟蹤穩(wěn)健性的針對性方案，其可分為三類：降噪處理特征向量、對抗生成學(xué)習(xí)創(chuàng)建掩模、強(qiáng)化學(xué)習(xí)自適應(yīng)決策。

算法TRACA[17]基于兩種外部降噪準(zhǔn)則處理特征向量，捕獲輸入特征分布的不同結(jié)構(gòu)：一是通過隨機(jī)移除固定數(shù)量通道的特征信息，讓自動編碼器學(xué)習(xí)如何恢復(fù)受損信息；二是隨機(jī)交換空間卷積特征向量，其背景與目標(biāo)區(qū)域的特征向量交換可模擬遮擋目標(biāo)，兩種處理方式能促進(jìn)模型學(xué)習(xí)對遮擋、形變等不敏感特征，但其未考慮上下文聚類與特征壓縮之間相關(guān)性，性能可能還有提升空間。

文獻(xiàn)[20-21]通過對抗生成網(wǎng)絡(luò)隨機(jī)創(chuàng)建特征遮擋掩模，自適應(yīng)丟失特征通道生成類遮擋樣本。算法AFNT[21]設(shè)計(jì)對抗融合網(wǎng)絡(luò)（AFN），其由對抗空間丟失網(wǎng)絡(luò)（ASDN）與對抗空間變換網(wǎng)絡(luò)（ASTN）組成，前者學(xué)習(xí)形變參數(shù)旋轉(zhuǎn)目標(biāo)；后者作用于原始特征生成連續(xù)熱圖，結(jié)合樣本隨機(jī)性與多樣性進(jìn)行重要性采樣，生成對部分特征作置零處理的二值掩膜，提升了模型對形變、遮擋對象跟蹤的穩(wěn)健性，然而其生成的類遮擋、形變樣本仍然與實(shí)際遮擋情況有一定差距，性能提升不明顯。

相比上述方法，利用強(qiáng)化學(xué)習(xí)產(chǎn)生的硬性正樣本更貼近實(shí)際場景中目標(biāo)被遮擋的情況。算法SINT++[19]設(shè)計(jì)硬陽性樣本變換網(wǎng)絡(luò)（HPTN），依據(jù)MDP馬爾科夫思路，對遮擋目標(biāo)的背景區(qū)域和遮擋目標(biāo)區(qū)域，利用強(qiáng)化學(xué)習(xí)自適應(yīng)決策最優(yōu)定位。其基于自適應(yīng)決策生成類遮擋樣本的方案具有啟發(fā)性，然而與先進(jìn)跟蹤器相比，基本跟蹤器設(shè)計(jì)較簡單，導(dǎo)致跟蹤效果與時效性均存在差距。如表4所示為不同生成類遮擋樣本策略的性能比較。

表4 生成類遮擋樣本策略的性能比較Table 4 Performance comparison of occlusion-like samples generation strategies

由表4可知，模擬遮擋策略生成的類遮擋訓(xùn)練樣本對模型性能提升效果不同：隨機(jī)去除特征通道效果不大，甚至還會降低性能；降噪處理特征通道、對抗生成學(xué)習(xí)創(chuàng)建掩模、強(qiáng)化學(xué)習(xí)最優(yōu)生成遮擋區(qū)域的三種策略，相比未經(jīng)處理的算法性能有明顯提升；但對抗生成學(xué)習(xí)創(chuàng)建掩模方案生成的類遮擋樣本，還不能證明其在跟蹤任務(wù)中的可靠性；相比較而言，以降噪準(zhǔn)則將背景與目標(biāo)特征進(jìn)行交換、強(qiáng)化學(xué)習(xí)尋找最優(yōu)遮擋與被遮擋區(qū)域的兩種策略，因同時考慮了背景遮擋物干擾信息引入和因遮擋目標(biāo)表觀特征變化的情況，更貼近于跟蹤對象被遮擋的實(shí)際情況，性能提升略優(yōu)于前者；除此之外，基于生成硬陽性樣本方案的算法性能仍依賴于跟蹤器的其他模塊。

應(yīng)當(dāng)指出，生成硬陽性樣本是針對遮擋問題的有效策略，但對其他跟蹤挑戰(zhàn)屬性場景的性能改善不明顯，而長期遮擋場景往往更加復(fù)雜，目前生成的類遮擋樣本與實(shí)際場景存在一定差距，因此該策略可能對長期遮擋場景跟蹤改善有限。

2 基于有效學(xué)習(xí)策略的跟蹤算法

由于跟蹤任務(wù)真實(shí)標(biāo)注樣本有限，算法常通過在線訓(xùn)練和預(yù)先在大規(guī)模數(shù)據(jù)集上訓(xùn)練模型或提取特征，這存在以下問題：一是部分?jǐn)?shù)據(jù)集和網(wǎng)絡(luò)框架訓(xùn)練有類間語義判別信息匱乏的局限，容易導(dǎo)致遮擋、背景雜亂的漂移問題；二是在線訓(xùn)練容易引入背景、遮擋物等污染信息，誤差積累導(dǎo)致模型崩潰。設(shè)計(jì)有效且穩(wěn)定的學(xué)習(xí)策略，是學(xué)習(xí)魯棒特征與提高抗語義干擾性能，實(shí)現(xiàn)模型在遮擋等復(fù)雜場景下穩(wěn)定跟蹤的有效方案。

2.1 構(gòu)建穩(wěn)定模型的被動學(xué)習(xí)策略

算法在跟蹤采集樣本期間，可能會無意識引入目標(biāo)旋轉(zhuǎn)、形變等錯位受損樣本，遮擋、相似干擾等錯誤干擾樣本，判別性能下降。在跟蹤時期，訓(xùn)練學(xué)習(xí)的穩(wěn)定性深度影響了模型抗干擾性能與判別力強(qiáng)弱，維持模型訓(xùn)練優(yōu)化過程平穩(wěn)性的方案主要有：（1）基于時間一致性的學(xué)習(xí)策略，訓(xùn)練期間約束模板，使模型傾向歷史幀，緩解因錯誤學(xué)習(xí)短期形變、遮擋等鄰近突變幀造成模型退化的問題，此類算法有文獻(xiàn)[22-26]；（2）基于自適應(yīng)外觀學(xué)習(xí)策略，自適應(yīng)判斷學(xué)習(xí)未被遮擋的可靠區(qū)域特征信息，此類算法有文獻(xiàn)[26-27]；（3）基于多模態(tài)專家的學(xué)習(xí)策略，能在遮擋時漂移或跟蹤失敗時校正模型，捕獲長時序上的魯棒特征信息。此類算法有文獻(xiàn)[13，28-30]。

基于時間一致性的學(xué)習(xí)，能避免模型過度依賴鄰近幀，緩解過擬合短期集中出現(xiàn)的遮擋等受損信息的問題，提高了跟蹤變化外觀較大對象的時序穩(wěn)定性，對遮擋、平面內(nèi)外旋轉(zhuǎn)等屬性應(yīng)對較好。如表5為基于時間一致性學(xué)習(xí)的代表跟蹤算法及其目標(biāo)函數(shù)、特點(diǎn)和局限。其中，D、L分別為總特征通道數(shù)和每通道特征向量元素?cái)?shù)，分別代表t幀訓(xùn)練樣本、對應(yīng)d通道特征向量的濾波器權(quán)重向量、對應(yīng)第d通道特征向量的第i個元素的濾波器系數(shù)。向量y代表高斯分布期待響應(yīng)，*代表空間相關(guān)操作，λ、η、λ1、λ2代表正則化參數(shù)。算法STRCF中，w?代表高斯?fàn)羁臻g權(quán)重矩陣，目的是使目標(biāo)中心有較高響應(yīng)。算法TRBACF中，P為對角二元矩陣，使相關(guān)運(yùn)算符直接應(yīng)用于真實(shí)前景與背景樣本上。應(yīng)當(dāng)指出，基于時間一致性學(xué)習(xí)算法，雖彌補(bǔ)了模型易被遮擋等劇烈形變幀污染而崩潰的問題，但忽略了視頻前后幀間物體的時序關(guān)聯(lián)信息，且改善程度受特征質(zhì)量的局限，對外觀突變屬性可能比較敏感，在較長時間遮擋或形變場景下仍無法避免模型退化問題。

相比上述方案保持時序穩(wěn)定，空間自適應(yīng)學(xué)習(xí)策略能在部分遮擋、背景雜亂等場景，使模型學(xué)習(xí)可靠目標(biāo)區(qū)域而降低擬合干擾風(fēng)險。預(yù)先定義空間正則化的相關(guān)濾波跟蹤器會優(yōu)先關(guān)注模板框中心，由于缺乏自適應(yīng)性而無法抵抗目標(biāo)受損區(qū)域信息[9，31]。文獻(xiàn)[26-27]引入自適應(yīng)空間正則化項(xiàng)抵抗部分遮擋，對被遮擋不可靠區(qū)域給予更大懲罰，鼓勵過濾器將注意力集中在未被遮擋的可靠區(qū)域上，學(xué)習(xí)可靠目標(biāo)空間信息。算法ASRCF自適應(yīng)空間正則化的目標(biāo)函數(shù)如下所示，其中，wr為參考權(quán)重矩陣，空間權(quán)重矩陣w具有自適應(yīng)性，其余符號釋義與表5中符號相同。

表5 基于時間一致性學(xué)習(xí)的代表跟蹤算法及特點(diǎn)Table 5 Representative tracking algorithm based on time consistent learning and its characteristics

得益于自適應(yīng)學(xué)習(xí)可靠空間信息，在雜亂、變形、遮擋等場景下，該類算法性能甚至優(yōu)于不少時空正則化算法，但因忽略了時序魯棒信息，性能還能進(jìn)一步提升。

上述策略以設(shè)計(jì)函數(shù)增強(qiáng)訓(xùn)練穩(wěn)定性，基于多模態(tài)專家的算法則通過維護(hù)外觀模型集合，在遮擋、平面內(nèi)外旋轉(zhuǎn)等挑戰(zhàn)場景下，選擇可靠模型校正錯誤跟蹤狀態(tài)。算法TCNN[28]以樹形結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)協(xié)作管理多個外觀模型、估計(jì)目標(biāo)狀態(tài)，隔離局部分支中因嚴(yán)重遮擋等造成目標(biāo)外觀劇變的視頻幀，保持可靠路徑避免模型漂移，但其候選框生成依賴前幀位置，因此應(yīng)對目標(biāo)出視野問題不佳。算法MEEM[13]提出將跟蹤器與其歷史快照構(gòu)成專家集合的多專家跟蹤框架，引入頻繁遮擋、外觀變化等錯誤圖像樣本時，檢測到專家間出現(xiàn)分歧后，以最小熵準(zhǔn)則選擇最佳專家，無需先驗(yàn)知識就可恢復(fù)并校正當(dāng)前跟蹤模型。算法MCCT[29]提出維護(hù)管理不同外觀的多線索跟蹤器框架，各專家融合不同特征，每幀均挑選最佳專家輸出跟蹤結(jié)果，由于多線索框架挑選各場景最適應(yīng)的目標(biāo)表征，因此改善了遮擋場景的性能，然而由于基本專家跟蹤器簡單，不易抵抗相似語義干擾。

應(yīng)當(dāng)指出，上述三種策略既能保持外觀多樣性，又可緩解遮擋形變物污染模型的問題。其中，時間一致性學(xué)習(xí)策略通過約束模板突變，減輕濾波器退化問題；與其相比，空間自適應(yīng)學(xué)習(xí)策略能更靈活處理目標(biāo)區(qū)域形變、部分遮擋，其抗遮擋性能效果更優(yōu)；然而，上述兩種依賴模板函數(shù)優(yōu)化提升模型訓(xùn)練穩(wěn)健性的策略，未利用跟蹤大跨度時間的時序信息，且大多適用更新模式具有風(fēng)險。多模態(tài)專家策略以保留維護(hù)多模態(tài)、專家，因能校正遮擋等形變劇烈樣本幀的跟蹤而更可靠，但其性能對模態(tài)、專家成分質(zhì)量有較高要求，相應(yīng)而來的是特征信息存儲內(nèi)存消耗的問題。

另一方面，在長期遮擋場景下，自適應(yīng)空間學(xué)習(xí)策略能學(xué)習(xí)判斷目標(biāo)可靠區(qū)域，能緩解遮擋時長影響，捕獲可靠外觀變化，改善跟蹤器效果。然而，基于多模態(tài)專家的短期跟蹤器內(nèi)存有限，其與基于時間一致性的跟蹤器類似，防模型過擬合的范圍限于近期突變幀，而這些算法往往配合較簡單更新方式，因此極易長期學(xué)習(xí)錯誤信息，誤差積累導(dǎo)致模型崩潰。

2.2 適于跟蹤的主動學(xué)習(xí)策略

目標(biāo)跟蹤算法在線、離線訓(xùn)練特點(diǎn)不同：（1）在線訓(xùn)練可較好適應(yīng)目標(biāo)外觀模型變化，但由于真實(shí)標(biāo)注樣本少，跟蹤目標(biāo)狀態(tài)多變，判別力不足的模型在遮擋等復(fù)雜場景下易過擬合受損、錯誤樣本，有耗時問題。（2）離線訓(xùn)練能以不變的目標(biāo)通用表達(dá)，避免對錯誤幀的不當(dāng)學(xué)習(xí)導(dǎo)致污染模型，對遮擋、平面內(nèi)外旋轉(zhuǎn)屬性友好。但實(shí)際跟蹤場景會同時出現(xiàn)多種挑戰(zhàn)屬性，僅靠離線訓(xùn)練集的固定外觀模型往往難以抵抗，且難建模任意目標(biāo)。

實(shí)際上，跟蹤算法離線訓(xùn)練或預(yù)訓(xùn)練的數(shù)據(jù)集常用于檢測分類任務(wù)，但檢測與實(shí)例跟蹤存在本質(zhì)不同：一是檢測任務(wù)需區(qū)分目標(biāo)類別，比只需區(qū)分前背景差異的跟蹤任務(wù)，有信息冗余；二是檢測分類任務(wù)提供類間判別信息不足，而特定對象跟蹤要求抵抗類間干擾，尤其在背景雜亂、遮擋、出視野等場景劣勢明顯。

因此，離線學(xué)習(xí)構(gòu)建本質(zhì)魯棒目標(biāo)模型，使其對遮擋、相似干擾等因素不敏感；在線學(xué)習(xí)防擬合錯誤受損信息，增強(qiáng)模型訓(xùn)練過程穩(wěn)健性，是實(shí)現(xiàn)遮擋等場景穩(wěn)定跟蹤的本質(zhì)方案，其思路可分為：（1）特征融合策略，合理考慮融合多層、多類型特征信息應(yīng)對各類挑戰(zhàn)屬性，此類算法有文獻(xiàn)[7，12，33-35]；（2）多域?qū)W習(xí)策略，以跟蹤序列數(shù)據(jù)作為訓(xùn)練樣本，多分支結(jié)構(gòu)捕獲對跟蹤各域不敏感的魯棒適用特征，此類算法有文獻(xiàn)[6，36]；（3）對抗生成學(xué)習(xí)策略，學(xué)習(xí)識別長期魯棒性而非判別性特征信息，此類算法有VITAL[2]；（4）干擾感知學(xué)習(xí)策略，增大對相似干擾物懲罰來優(yōu)化學(xué)習(xí)樣本質(zhì)量，此類算法有文獻(xiàn)[8，10]；（5）目標(biāo)感知學(xué)習(xí)策略，專注構(gòu)造特定跟蹤對象模型，更貼近實(shí)例跟蹤任務(wù)，此類算法有文獻(xiàn)[35，37]，如表6為利用有效學(xué)習(xí)策略的代表跟蹤算法及特點(diǎn)。

表6 基于主動學(xué)習(xí)策略的代表跟蹤算法及特點(diǎn)Table 6 Representation methods based on aggressive learning strategies and its characteristics

應(yīng)當(dāng)指出，融合特征、多域?qū)W習(xí)等策略均著眼于構(gòu)建魯棒目標(biāo)模型，學(xué)習(xí)對遮擋等屬性不敏感信息，提高所有復(fù)雜場景下跟蹤穩(wěn)健性；干擾感知、目標(biāo)感知策略則側(cè)重增強(qiáng)抵抗干擾能力，彌補(bǔ)CNN網(wǎng)絡(luò)提供類內(nèi)判別信息不足的缺陷，在部分遮擋時防誤判遮擋干擾物，全遮擋時防漂移到相似物上。然而，特征融合策略的簡單融合方式易引入冗余信息掩蓋特征的層次關(guān)聯(lián)信息，大量參數(shù)也會增加過擬合風(fēng)險；多域?qū)W習(xí)策略無法避免學(xué)習(xí)到遮擋樣本對應(yīng)的強(qiáng)判別性特征，導(dǎo)致模型退化；對抗生成學(xué)習(xí)捕獲特征相對其他策略更具有長期魯棒性，但其不適用低分辨率視頻幀；干擾感知策略需配合負(fù)樣本數(shù)據(jù)增廣等手段，否則提升不明顯；目標(biāo)感知策略專注對象模型，能結(jié)合深度特征分離相同語義標(biāo)簽的不同對象，但其仍未利用跟蹤上下文等有效信息，選取特定通道的表征方式仍不能避免語義相似干擾問題。

通過有效離線學(xué)習(xí)策略提升模型魯棒性，是抵御長期遮擋問題的途徑，但更關(guān)鍵的是固定相關(guān)模型要始終適應(yīng)表觀變化的目標(biāo)對象，其中多屬性學(xué)習(xí)、對抗生成學(xué)習(xí)因?qū)W習(xí)到對跟蹤場景不敏感信息，因此有較好效果；而采用特征融合、干擾感知、目標(biāo)感知等方案的相關(guān)算法能否長期避免擬合相似語義干擾，仍取決于其模型穩(wěn)定性。

3 基于可靠更新策略的跟蹤算法

由于遮擋、形變、尺度變化等屬性往往同時出現(xiàn)在一段跟蹤場景序列中，跟蹤模型既要學(xué)習(xí)目標(biāo)外觀變化信息以防跟丟對象，也要避免擬合遮擋受損樣本和干擾信息以防漂移。除訓(xùn)練策略之外，更新策略的有效性、穩(wěn)定性同樣關(guān)鍵，尤其在長期跟蹤場景下更新策略質(zhì)量的影響更為明顯。因此，提高遮擋目標(biāo)跟蹤穩(wěn)定性的方案思路為：通過有效決策機(jī)制為模型提供恰當(dāng)更新時機(jī)，防遮擋等受損情況下的不當(dāng)更新；穩(wěn)健更新模型方案，適應(yīng)對象變化外觀的同時，校準(zhǔn)漂移至遮擋等干擾的錯誤狀態(tài)。

3.1 有效更新決策機(jī)制

復(fù)雜場景跟蹤期間，當(dāng)檢測跟蹤結(jié)果可靠時，以恰當(dāng)學(xué)習(xí)率更新目標(biāo)模型適應(yīng)變化表觀；不可靠時，則認(rèn)為遭遇遮擋、出視野等情況，此時應(yīng)避免模型錯誤更新。由此可見，能否準(zhǔn)確判別跟蹤狀態(tài)非常關(guān)鍵，其主要包括手工設(shè)計(jì)置信度及自適應(yīng)決策兩種方式。

大多數(shù)算法使用手工設(shè)計(jì)置信度指標(biāo)，決策更新時機(jī)。顯然，對于依據(jù)置信度評估跟蹤狀態(tài)的更新方式，判斷跟蹤狀態(tài)越準(zhǔn)確，越有利于模型抵抗遮擋、相似干擾等樣本污染，提高更新有效性。因生成式模型與判別式模型跟蹤思路相異，其檢測置信度也不同。如表7為生成式模型與判別式模型的基本思想、代表算法與置信度指標(biāo)比較。

表7 生成式模型與判別式模型及其置信度比較Table 7 Comparison of generative model and discriminant model and their confidence

為提高對遮擋等干擾、漂移幀判斷的準(zhǔn)確性，更具針對性的置信度度量被不斷提出，主要有在其基礎(chǔ)上關(guān)聯(lián)時序信息，可檢測對應(yīng)響應(yīng)圖波動的遮擋情況；增加質(zhì)量評估可靠性，緩解模型誤判遮擋物等語義樣本；結(jié)合多類型置信度判斷，通過更多關(guān)鍵信息提高多類型復(fù)雜場景的評估可靠性。如表8所示為代表性置信度指標(biāo)及適應(yīng)場景特點(diǎn)。為提高模型抗遮擋能力，應(yīng)選用可反映目標(biāo)是否處于遮擋狀態(tài)的置信度指標(biāo)。其中，最大響應(yīng)值中s、y、w分別為候選圖像、模板特征向量及濾波器權(quán)重。峰值旁瓣比（peak to sidelobe ratio，PSR）中g(shù)max為峰值響應(yīng)值，μs1、σs1分別是旁瓣的均值與標(biāo)準(zhǔn)方差。平均峰相關(guān)能量（average peak to correlation energy，APCE），Rmax、Rmin、Rw,h分別代表最大、最小、相應(yīng)像素的響應(yīng)峰值。置信圖清晰平滑度指標(biāo)與PSR與置信度平滑性（smoothness of confidence maps，SCCM）相關(guān)，其公式中代表第t幀的第i部分的響應(yīng)圖，代表置信度圖的移位操作，Δ代表相鄰幀置信度最大值移位，參數(shù)η權(quán)衡置信度圖的清晰度與平滑度。定位不確定性估計(jì)指標(biāo)中PSR(rt),max(rt)分別代表相關(guān)響應(yīng)的峰值旁瓣比及峰值絕對值，為近Nq個跟蹤幀的平均定位質(zhì)量。

表8 代表置信度指標(biāo)及特點(diǎn)Table 8 Representative confidence indexes and characteristics

雖然手工設(shè)計(jì)的置信度指標(biāo)能在一定程度上改善跟蹤穩(wěn)定性，但缺乏自適應(yīng)性，判別復(fù)雜場景跟蹤狀態(tài)往往存在誤差。而基于自適應(yīng)學(xué)習(xí)更新決策，通過訓(xùn)練網(wǎng)絡(luò)學(xué)習(xí)最佳更新控制條件，在跟蹤時根據(jù)當(dāng)前幀更新需求判斷更新節(jié)點(diǎn)，在更復(fù)雜的跟蹤場景能獲得更好收益，此類算法有文獻(xiàn)[19，45-46]。算法LTMU[46]采用元學(xué)習(xí)方式學(xué)習(xí)何時更新，融合了幾何、判別、外觀，結(jié)合級聯(lián)LTSM模塊挖掘時序信息，學(xué)習(xí)有效控制更新條件和決策是否繼續(xù)微調(diào)或全局搜索，在長時跟蹤上得到了較大性能提升，但框架仍存在冗余和優(yōu)化空間；算法PTrack[45]將跟蹤視為部分可觀察的順序決策過程，基于數(shù)據(jù)驅(qū)動，基于強(qiáng)化學(xué)習(xí)方案學(xué)習(xí)何時更新外觀、重初始化，以跟蹤器決策動作為研究對象，通過強(qiáng)化學(xué)習(xí)學(xué)習(xí)最佳決策策略，雖然該算法在遮擋等場景下有較優(yōu)性能，然而存在數(shù)據(jù)驅(qū)動的固有限制和較大耗時問題。

檢測跟蹤質(zhì)量狀態(tài)策略中，人工設(shè)計(jì)的置信度指標(biāo)能有效檢測到在遮擋、平面內(nèi)外旋轉(zhuǎn)等形變幀的不可靠跟蹤狀態(tài)，顯著改善跟蹤器的魯棒性，但仍有較大的場景局限性，且因觀測模型的質(zhì)量與置信度設(shè)計(jì)相關(guān)，因此有時置信度指標(biāo)高低也不能完全反映跟蹤狀態(tài)；自適應(yīng)決策更新策略相比人工設(shè)計(jì)置信度，因讓模型學(xué)會判斷何時更新而可應(yīng)對長時不確定性狀態(tài)，在更復(fù)雜的長期跟蹤場景，能決策模型初始化時機(jī)來處理全遮擋、長時遮擋、出視野等屬性，但其網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，存在時耗問題。

然而，依據(jù)時序信息判斷的置信度指標(biāo)不適用長期遮擋場景，因?yàn)楹芸赡芤驗(yàn)橹眯哦茸兓淮蠖o予模型跟蹤結(jié)果可靠的錯誤判斷；而自適應(yīng)決策更新或非時序置信度評估的方案，若能有效判斷遮擋等不可靠情況，此時跟蹤器能否保持長期遮擋場景的穩(wěn)健性，取決于模型更新方案是否能繼續(xù)學(xué)習(xí)可靠區(qū)域信息，因?yàn)楹唵谓档蛯W(xué)習(xí)率等更新方案很可能跟不上目標(biāo)對象的變化外觀。

3.2 穩(wěn)定可靠更新方案

在遮擋、目標(biāo)出視野等復(fù)雜場景下，跟蹤模型不僅需要更新時機(jī)的準(zhǔn)確判斷，還需要防止不當(dāng)更新方案累計(jì)誤差。簡單的線性更新策略，不僅導(dǎo)致對象信息隨時間不斷衰減，跟不上實(shí)際場景中對象表觀的變化速度，還容易錯誤更新，在長期跟蹤場景其劣勢尤為明顯。而基于時序記憶模型、自適應(yīng)估計(jì)的更新策略具備從錯誤更新中校正恢復(fù)跟蹤狀態(tài)的優(yōu)勢，改善在遮擋等困難場景下的跟蹤穩(wěn)健性。

對于簡單經(jīng)典的更新時機(jī)條件，恰當(dāng)?shù)母路桨敢材芴岣吒櫰鞯姆€(wěn)健性：低頻更新算法，能更好抵抗環(huán)境語義干擾不利因素，更新方案需要專注擬合變化目標(biāo)模型，以防損失大量在線外觀信息而跟丟目標(biāo)；高頻更新算法，能及時擬合對象變化表觀，更新方案需要注重的是如何從錯誤更新中恢復(fù)校正狀態(tài)，以防錯誤累積導(dǎo)致模型崩潰。如表9為經(jīng)典更新策略的優(yōu)缺點(diǎn)分析及代表算法。

表9 經(jīng)典更新策略優(yōu)缺點(diǎn)分析及代表算法Table 9 Analysis of advantages and disadvantages and representative algorithm of typical update strategies

為保證跟蹤器在遮擋等場景下的整體較優(yōu)性能，那些更新決策方式簡單的算法，往往會采取針對跟蹤任務(wù)設(shè)計(jì)的更新方案或觀測模型，不僅利用簡單時機(jī)判別能較好適應(yīng)變化表觀的優(yōu)勢，也彌補(bǔ)其易致模型錯誤更新的缺陷。不更新模板的算法DaSiamRPN[10]，其得益于相似語義樣本增廣及干擾感知學(xué)習(xí)策略；使用逐幀更新算法VITAL[2]以對抗生成學(xué)習(xí)等策略學(xué)習(xí)長期魯棒特征，更新時聯(lián)合更新生成、分類網(wǎng)絡(luò)；ECO[18]雖使用固定幀更新方式，但其基于外觀差異建模的樣本組與因式分解卷積操作，緩解了過擬合問題，且其樣本組每幀更新，可捕捉間隔幀內(nèi)的樣本變化信息。依據(jù)簡單置信度更新的跟蹤算法，如算法MDNet[6]結(jié)合常規(guī)間隔長期更新與置信度短期更新，算法TCNN[28]依據(jù)各節(jié)點(diǎn)可靠度沿期望路徑進(jìn)行平滑更新，它們都只更新全連接層分支參數(shù)，避免過擬合問題。

文獻(xiàn)[41，58-59]通過時序模型的建立維護(hù)及有效更新管理方案，存儲各時序關(guān)鍵信息，在遭遇遮擋等外觀突變或跟蹤失敗時激活調(diào)用，能發(fā)揮長時跟蹤中校正錯誤更新，避免模型退化的作用。算法MUSTer[58]首次引入了ASMM記憶模型，基于時空一致性集成短時跟蹤器，以關(guān)鍵點(diǎn)匹配與RANSAC估計(jì)作為長期跟蹤組件，并以內(nèi)點(diǎn)、遮擋點(diǎn)與匹配關(guān)鍵點(diǎn)的比例大小檢測有無遮擋，雖然其關(guān)鍵點(diǎn)匹配模型能適用于平面內(nèi)外旋轉(zhuǎn)、部分遮擋等屬性，但其僅對紋理特征足夠明顯的大目標(biāo)友好，對于背景雜亂、快速運(yùn)動等場景有局限性；算法短期記憶庫存儲孿生特征，采用先進(jìn)先出的管理方式，跟蹤不可靠時清空，長期記憶庫存儲孿生特征及語義特征，設(shè)置嚴(yán)格的長短期記憶庫信息轉(zhuǎn)移條件，以基于遺忘曲線的更新管理策略，保證其存儲的特征具有長期魯棒性；算法FuCoLoT[41]首次引入可有效作用于整幅圖像的相關(guān)重檢測器，通過維護(hù)管理在多時間尺度上訓(xùn)練的相關(guān)濾波檢測器組，應(yīng)對不同持續(xù)時間遮擋、目標(biāo)消失等問題，并保留不被更新的初始過濾器，可從任何潛在污染模型中恢復(fù)，僅當(dāng)檢測可靠時，對短時跟蹤器與檢測器組進(jìn)行線性更新。

實(shí)際上，對于離線性能較好的復(fù)雜跟蹤器，簡單在線更新方案反而可能會損害其性能。相比簡單更新方案，自適應(yīng)估計(jì)的更新策略對復(fù)雜場景具有更強(qiáng)靈活性與適應(yīng)性，可分為：（1）自適應(yīng)選擇方案，以模型或特征池的最優(yōu)選取為研究對象，能較好適應(yīng)目標(biāo)形態(tài)變化避免擬合漂移幀，此類算法有文獻(xiàn)[30，35，53，60]；（2）自適應(yīng)生成模板的更新方案，在部分遮擋等形變時可局部更新可靠區(qū)域，此類算法有文獻(xiàn)[61-62]。如表10為基于自適應(yīng)估計(jì)更新策略的代表算法及其特點(diǎn)。

表10 基于自適應(yīng)估計(jì)更新策略的代表跟蹤算法Table 10 Representative tracking algorithms based on adaptive estimation update strategy

應(yīng)當(dāng)指出，那些更新方式簡單仍性能較優(yōu)算法的關(guān)鍵，在于通過有效訓(xùn)練使觀測模型有較好魯棒性，從根本上避免錯誤更新的問題。但應(yīng)對長時跟蹤場景中嚴(yán)重遮擋、完全遮擋、出視野等屬性，必須依賴于有效可靠的更新方案。相比簡單線性更新方案，基于時序記憶模型、自適應(yīng)估計(jì)的更新策略對遮擋等復(fù)雜場景下的跟蹤性能提升顯著，具備從錯誤更新中校正恢復(fù)跟蹤狀態(tài)的優(yōu)勢，改善在遮擋等困難場景下的跟蹤穩(wěn)健性。但基于時序記憶模型的更新策略仍有線性更新方案的局限性。在長期跟蹤場景下，基于時序記憶模型及自適應(yīng)選擇的更新策略通過維護(hù)不受污模板或特征，初始化校正模型，而自適應(yīng)生成模板的更新策略雖更靈活，但可能因需復(fù)雜網(wǎng)絡(luò)設(shè)計(jì)而不如前兩者有效。

另一方面，基于時序記憶模型的策略以長短期記憶庫保留目標(biāo)魯棒信息，在長期遮擋后能調(diào)用關(guān)鍵信息重檢測；而自適應(yīng)估計(jì)模板方案雖對歷史幀模板存在一定依賴性，但能夠局部更新可靠區(qū)域，兩者都能捕獲長期目標(biāo)外觀，同時防止模型錯誤更新問題。

4 抗遮擋模型學(xué)習(xí)方案的有效性分析

為進(jìn)一步分析遮擋等場景下，跟蹤模型不同策略對提升算法性能的有效性，尤其對于遮擋、背景雜亂、出視野、平面內(nèi)外旋轉(zhuǎn)、形變等挑戰(zhàn)場景屬性的效果，選擇了如下算法在挑戰(zhàn)場景上性能比較：基于訓(xùn)練樣本提質(zhì)方面，選擇了硬正樣本生成SINT++、TRACA等，樣本集管理ECO、SRDCFdecon等，高質(zhì)負(fù)樣本引入BACF、DaSiamRPN等算法；學(xué)習(xí)策略方面，選擇了基于主動學(xué)習(xí)策略的VITAL、MDNet、ANT、DaSiamRPN、TADT等，基于被動穩(wěn)定學(xué)習(xí)策略的LADCF、MEEM、TCNN等算法；更新策略方面，選擇人工置信度評估LCT、CSRDCF等，維護(hù)記憶模型庫更新的MUSTer等，自適應(yīng)更新RDT、MemTrack等算法。如表11為各策略代表算法抗遮擋策略及相應(yīng)數(shù)據(jù)集序列上性能及遮擋等六種挑戰(zhàn)屬性序列上跟蹤成功率比較，其中OCC、BC、OV、IPR、OPR、DEF分別代表遮擋、背景雜亂、出視野、平面內(nèi)旋轉(zhuǎn)、平面外旋轉(zhuǎn)、形變的場景屬性，SM、SQ、SP、SN分別代表基于多樣化樣本、高質(zhì)量樣本、硬正樣本生成、高質(zhì)負(fù)樣本引入的樣本處理策略，LAT、LAD、LAM、LA分別代表目標(biāo)感知、干擾感知、多域?qū)W習(xí)及其他主動學(xué)習(xí)策略，LPT、LPS、LP分別代表時間一致、空間自適應(yīng)及其他被動學(xué)習(xí)策略，LF代表語義特征學(xué)習(xí)；UC、UM、UA分別代表人工置信度評估、基于記憶模板庫、自適應(yīng)更新策略。為比較策略有效性，引入基線算法，以S-N、LAD-N、LP-N、LF-N、U-N分別代表未采取樣本處理、未干擾感知、未被動學(xué)習(xí)和僅用手工特征表示、簡單經(jīng)典更新方法作區(qū)分。

表11 各模型學(xué)習(xí)策略代表跟蹤算法的性能比較Table 11 Performance comparison of representative methods with various model learning strategy

由表可知，對遮擋屬性而言，數(shù)據(jù)處理、學(xué)習(xí)策略方面改進(jìn)的性能提升效果明顯超過更新策略改進(jìn)方案。具體地，在訓(xùn)練數(shù)據(jù)處理方面，維護(hù)訓(xùn)練樣本多樣性的策略，對提升復(fù)雜場景下跟蹤穩(wěn)定性有顯著作用，與其相比，生成硬正樣本策略對遮擋目標(biāo)跟蹤效果的提升幅度差異不大，甚至其效果有時不如基于多樣性樣本管理策略的算法，負(fù)樣本挖掘?yàn)檩o助手段；在學(xué)習(xí)策略方面，設(shè)計(jì)網(wǎng)絡(luò)提取長期魯棒、判別力強(qiáng)特征策略以及多域?qū)W習(xí)場景屬性的策略，能極大提升跟蹤準(zhǔn)確率與魯棒性，遮擋場景下該類算法性能相較其他也具有明顯優(yōu)勢，相比之下基于干擾感知、目標(biāo)感知學(xué)習(xí)策略對性能提升稍顯遜色，但在遮擋場景下可較好提升跟蹤穩(wěn)定性，基于時間一致性學(xué)習(xí)策略方案在遮擋等復(fù)雜場景下的增強(qiáng)效果，與其學(xué)習(xí)策略設(shè)計(jì)有效性相關(guān)較大；在更新策略方面，基于手工置信度評估效果不如自適應(yīng)更新策略，基于長短期記憶庫的更新策略的跟蹤效果優(yōu)于簡單更新策略。

在背景雜亂、目標(biāo)消失、平面內(nèi)外旋轉(zhuǎn)、形變等其他挑戰(zhàn)場景屬性下，各策略有不同改善程度：（1）著眼于訓(xùn)練樣本提質(zhì)的訓(xùn)練集凈化、高質(zhì)負(fù)樣本引入策略，在背景雜亂屬性下的性能改善相較其他具有明顯優(yōu)勢，在出視野屬性上提升并不顯著；（2）維持樣本多樣性的樣本集建模等策略，在背景雜亂、平面內(nèi)外旋轉(zhuǎn)、形變等屬性上都能明顯提升性能，在遮擋屬性提升相對較少；（3）硬陽性樣本生成策略雖能改善遮擋問題，但對整體跟蹤序列上的性能提升并不明顯，但硬陽性樣本具有形變、旋轉(zhuǎn)等屬性時，對應(yīng)場景跟蹤性能可改善；（4）基于時間一致性學(xué)習(xí)策略在所有場景都能獲得較明顯改善，尤其是出視野屬性，并且在各屬性上提升程度優(yōu)于訓(xùn)練樣本去污等策略，但仍舊不如多域、多屬性等主動學(xué)習(xí)策略；（5）除了背景雜亂屬性，適用跟蹤的主動學(xué)習(xí)策略在遮擋、平面內(nèi)外旋轉(zhuǎn)等屬性上的性能均優(yōu)于其他方案，與其相當(dāng)?shù)倪€有空間自適應(yīng)學(xué)習(xí)策略，但目標(biāo)感知學(xué)習(xí)策略的改善程度有時不如時間一致性學(xué)習(xí)策略；（6）依據(jù)人工置信度評估更新方案的跟蹤器在背景雜亂屬性上表現(xiàn)得比其他策略更優(yōu)秀，但在遮擋、平面內(nèi)外旋轉(zhuǎn)屬性上表現(xiàn)一般，在目標(biāo)出視野、形變等屬性表現(xiàn)不佳；（7）自適應(yīng)更新策略更適用平面內(nèi)外旋轉(zhuǎn)等場景，在背景雜亂、遮擋等屬性上表現(xiàn)不如其他策略優(yōu)秀。

策略方案改善性能思路不同，因此對場景適應(yīng)性不同：（1）時間一致性訓(xùn)練、多模態(tài)專家、空間自適應(yīng)學(xué)習(xí)、置信度及自適應(yīng)更新策略為捕獲外觀同時避免擬合突變錯誤信息，適應(yīng)遮擋、平面內(nèi)外旋轉(zhuǎn)等外觀變化重復(fù)的場景；（2）高質(zhì)正負(fù)樣本引入、干擾感知為提高模型抗干擾能力，適應(yīng)背景干擾、出視野后重檢測、遮擋等需要防止模型漂移的場景；（3）樣本多樣性管理為提高模型泛化性，適用形變、尺度變化等需捕獲對象動態(tài)外觀場景；（4）多域?qū)W習(xí)、多屬性等策略構(gòu)建對適用各跟蹤屬性場景的模型，力圖適用各類場景。

實(shí)際上，應(yīng)對背景雜亂、出視野、平面內(nèi)外旋轉(zhuǎn)、形變、長短時遮擋等問題各有側(cè)重：（1）應(yīng)對背景雜亂、出視野問題，要求有強(qiáng)抗干擾能力，背景雜亂屬性中主要區(qū)分紋理等特征相似的干擾，一般手工置信度就能較好判斷是否存在干擾物，訓(xùn)練樣本集凈化、高質(zhì)負(fù)樣本引入策略則從源頭提高了模型抗干擾能力；（2）出視野后恢復(fù)跟蹤，則要求模型具備判別語義干擾和判別可能表觀已變目標(biāo)的能力，對此時間一致性等學(xué)習(xí)策略能穩(wěn)定捕獲外觀，因此能加以改善；（3）應(yīng)對平面內(nèi)外旋轉(zhuǎn)、形變等屬性，要求目標(biāo)模型泛化性好，可擬合學(xué)習(xí)對象外觀信息，可通過樣本集多樣性管理提高泛化性，記憶庫保存重復(fù)外觀模型的方式加以改善；（4）由于遮擋樣本均為模型不應(yīng)擬合的受損對象，要求模型魯棒性好，避免擬合突變受損信息，以及抗語義和非語義干擾能力強(qiáng)，不漂移到遮擋或背景干擾物上；（5）長時遮擋會引入較長時間的遮擋物干擾及形變對象信息，此時僅能緩解對鄰近突變幀擬合問題、關(guān)聯(lián)時序指標(biāo)判斷狀態(tài)的策略失效；（6）適應(yīng)所有屬性場景的最關(guān)鍵本質(zhì)的方案為，構(gòu)造魯棒性、判別性好的目標(biāo)模型，此時以高質(zhì)多樣訓(xùn)練樣本處理來解決數(shù)據(jù)驅(qū)動局限，以長期魯棒特征融合表征提高模型判別力，多屬性、自適應(yīng)、長短期記憶庫等策略學(xué)習(xí)適用各場景屬性下可靠信息等方案比較有效。

5 總結(jié)與展望

本文從基于高質(zhì)訓(xùn)練樣本集、有效學(xué)習(xí)策略、可靠更新策略的角度，對代表性跟蹤算法的抗遮擋模型學(xué)習(xí)策略進(jìn)行了分析，并對各方案應(yīng)對背景雜亂、出視野、長短期遮擋等屬性場景的改善程度進(jìn)行了比較分析，指出提高算法在遮擋等場景下跟蹤性能的本質(zhì)方案為構(gòu)造判別力強(qiáng)的魯棒目標(biāo)模型，其中主動學(xué)習(xí)對干擾不敏感信息的多屬性學(xué)習(xí)、對抗學(xué)習(xí)、自適應(yīng)空間學(xué)習(xí)等策略在多數(shù)復(fù)雜場景下優(yōu)于其他，基于時間一致性學(xué)習(xí)等策略有場景局限性，先進(jìn)數(shù)據(jù)處理與更新策略往往與學(xué)習(xí)策略配合，分別有助于提升目標(biāo)模型質(zhì)量和跟蹤穩(wěn)定性。目前，由于存在遮擋、目標(biāo)消失等因素，即使是先進(jìn)跟蹤算法也無法完全適用實(shí)際復(fù)雜場景。著眼構(gòu)建魯棒目標(biāo)模型的特征融合模塊，雖其對跟蹤性能影響最大，但因骨干網(wǎng)的固有局限，其性能提升也遭遇瓶頸。因此，通過設(shè)計(jì)適于跟蹤的骨干網(wǎng)并替換，可能會帶來較大提升。再者，相比計(jì)算機(jī)視覺，人類視覺依據(jù)對場景理解與目標(biāo)運(yùn)動規(guī)律的先驗(yàn)知識，可自發(fā)忽視場景不利干擾，在遮擋等復(fù)雜場景預(yù)測目標(biāo)軌跡狀態(tài)。隨著對抗生成學(xué)習(xí)、元學(xué)習(xí)方法不斷成熟，其有望捕獲場景及運(yùn)動信息，遷移到長期復(fù)雜跟蹤任務(wù)中為其提供充足的先驗(yàn)多維信息。