仇祝令, 查宇飛, 李振宇, 李禹銘, 張 鵬, 朱 川

(1. 中國人民解放軍63787部隊(duì), 新疆 石河子 832099; 2. 西北工業(yè)大學(xué)計(jì)算機(jī)學(xué)院, 陜西 西安 710072;3. 西北工業(yè)大學(xué)寧波研究院, 浙江 寧波 315000)

0 引 言

視覺目標(biāo)跟蹤是通過利用目標(biāo)在初始幀的位置信息,對后續(xù)幀中目標(biāo)進(jìn)行位置估計(jì)的過程,在軍用與民用領(lǐng)域受到廣泛的關(guān)注。近來,目標(biāo)跟蹤技術(shù)取得飛速發(fā)展,許多優(yōu)秀算法被提出來,但在實(shí)際跟蹤過程中目標(biāo)一直處于動(dòng)態(tài)變化中,同時(shí)復(fù)雜的背景也增加了對目標(biāo)判別的難度。因此，如何利用跟蹤過程中目標(biāo)有限的信息來訓(xùn)練得到魯棒的跟蹤器一直是學(xué)術(shù)界亟待解決的問題。

相關(guān)濾波通過利用當(dāng)前樣本進(jìn)行在線訓(xùn)練濾波器,為避免濾波器過于擬合目標(biāo),對當(dāng)前幀和上一幀獲得的兩個(gè)目標(biāo)模型采用線性加權(quán)融合的方式被應(yīng)用在模型更新當(dāng)中,濾波器可以保留目標(biāo)在時(shí)域中的部分歷史信息。其他一些工作將上一幀得到的濾波器嵌入到當(dāng)前濾波器學(xué)習(xí)當(dāng)中,在時(shí)域中作為正則化項(xiàng)約束濾波器更新。上述跟蹤方法都是僅考慮了目標(biāo)在當(dāng)前幀和上一幀的表征特征,目標(biāo)在時(shí)域信息利用有限。FlowTrack在相關(guān)濾波中引入光流信息,用歷史幀的模型信息來修補(bǔ)當(dāng)前幀特征,增強(qiáng)模型對目標(biāo)的表達(dá)能力。Danelljan等人根據(jù)每一幀中的跟蹤結(jié)果建立時(shí)域樣本集,在多樣本中進(jìn)行訓(xùn)練,獲得到更為精確的濾波器。這些方法盡管在一定程度上提升了目標(biāo)時(shí)域信息的利用,但是在模型更新過程中無法選擇目標(biāo)在時(shí)域全局中的魯棒特征,目標(biāo)與背景的信息都會(huì)被保留,尤其是當(dāng)目標(biāo)遇到遮擋或形變時(shí)模型會(huì)被污染,利用錯(cuò)誤的信息更新濾波器可能會(huì)導(dǎo)致模型無法適應(yīng)目標(biāo)的變化,最終造成跟蹤失敗。

針對上述問題,本文提出了一種基于多模型蒸餾的時(shí)間正則化相關(guān)濾波跟蹤算法,通過“密集+稀疏”采樣方式,收集跟蹤過程中利用每一幀樣本訓(xùn)練得到的獨(dú)立模型作為老師,指導(dǎo)當(dāng)前模型更新,濾波器可以保留目標(biāo)在時(shí)域全局中的長時(shí)記憶。當(dāng)目標(biāo)外觀發(fā)生變化時(shí),濾波器可以從多模型中學(xué)習(xí)得到目標(biāo)的魯棒特征,降低模型發(fā)生退化漂移的可能。同時(shí)，為保證每個(gè)指導(dǎo)老師的可靠性,防止錯(cuò)誤模型對當(dāng)前模型更新產(chǎn)生污染,對指導(dǎo)老師進(jìn)行可靠性評估,可以提升多模型對目標(biāo)變化的適應(yīng)能力。此外，通過對當(dāng)前樣本進(jìn)行上下文采樣,建立包含目標(biāo)與背景信息的局部樣本庫,可以提升模型對目標(biāo)的判別能力。

1 本文方法

1.1 基于背景感知的相關(guān)濾波器

相關(guān)濾波采用循環(huán)移位構(gòu)建樣本的方式必然會(huì)帶來邊界效應(yīng)?；诒尘案兄南嚓P(guān)濾波器(learning background-aware correlation filters, BACF)在樣本中加入裁剪矩陣,通過擴(kuò)大搜索區(qū)域來提升樣本的質(zhì)量,有效提升濾波器判別能力,BACF的損失函數(shù)為

(1)

式中:∈表示濾波器；∈是樣本特征值；是通道數(shù)；表示二元矩陣,對樣本進(jìn)行剪裁,作用于真實(shí)的前景與背景來提升樣本的質(zhì)量與數(shù)量；是樣本的回歸響應(yīng)值；?表示相關(guān)卷積運(yùn)算；T是矩陣轉(zhuǎn)置操作；是正則化系數(shù)。目標(biāo)模型在更新過程中如果僅考慮當(dāng)前幀中的信息,可能會(huì)使得濾波器過于擬合當(dāng)前目標(biāo)。通過對當(dāng)前幀和上一幀的目標(biāo)特征模型進(jìn)行線性加權(quán)融合,模型可以保留目標(biāo)在時(shí)域中的部分歷史信息,增強(qiáng)對目標(biāo)變化的動(dòng)態(tài)適應(yīng)性,其方法為

(2)

線性加權(quán)融合的更新方式可以提升模型的泛化能力,但是這種方式更多考慮前后兩幀的信息,忽略了目標(biāo)與背景的差異性,無法保證目標(biāo)在時(shí)域中的魯棒特征得到保留,造成目標(biāo)時(shí)域信息部分丟失。同時(shí),模型的可靠性也無法判斷,使用錯(cuò)誤的模型進(jìn)行更新容易造成模型漂移。在實(shí)際跟蹤過程中目標(biāo)是處于連續(xù)變化的狀態(tài),通過樣本訓(xùn)練得到的獨(dú)立模型可以在時(shí)域中指導(dǎo)當(dāng)前濾波器的學(xué)習(xí)更新,使其保留目標(biāo)的魯棒特征。

1.2 基于多模型蒸餾的時(shí)間正則化相關(guān)濾波

為了提高幀間信息的利用率,利用每一幀樣本獲得的獨(dú)立模型作為老師,通過在目標(biāo)周圍采樣得到負(fù)樣本信息,在建立的局部樣本庫中約束當(dāng)前模型的學(xué)習(xí)更新,并評估每一名指導(dǎo)老師的可靠性,提升濾波器的魯棒性,所提出的目標(biāo)模型為

L(,)=()+(,)

(3)

式中：()是基于局部樣本的嶺回歸項(xiàng)；(,)是多模型蒸餾項(xiàng)。

121 基于局部樣本的嶺回歸

基于相關(guān)濾波的跟蹤方法是利用以目標(biāo)為中心提取的正樣本進(jìn)行訓(xùn)練,沒考慮目標(biāo)周圍背景的信息,這使得當(dāng)目標(biāo)周圍有相似目標(biāo)時(shí),容易造成背景干擾無法準(zhǔn)確判別目標(biāo)。因此,在目標(biāo)周圍進(jìn)行上下文采樣,構(gòu)建負(fù)樣本,與以目標(biāo)為中心提取的正樣本一起構(gòu)建局部樣本庫,如圖1(a)所示。利用當(dāng)前幀信息構(gòu)造正樣本與負(fù)樣本,將濾波器與每個(gè)樣本的特征值進(jìn)行卷積擬合樣本標(biāo)簽,濾波器同時(shí)學(xué)習(xí)目標(biāo)與背景的信息,并加入正則化項(xiàng),其損失函數(shù)為

(4)

式中：是通過當(dāng)前幀得到的局部樣本數(shù)量；∈是第個(gè)樣本特征值；是第個(gè)樣本的標(biāo)簽；D是通道數(shù)；是正則化系數(shù),防止訓(xùn)練得到的濾波器過度擬合當(dāng)前目標(biāo)。

通過對背景信息的學(xué)習(xí),可以有效抑制背景部分的響應(yīng),局部樣本庫的建立如圖1(a)所示,負(fù)樣本的加入使得濾波器從背景中學(xué)習(xí)更多的信息,提升對目標(biāo)的判別能力。

圖1 模型組成分析Fig.1 Model composition analysis

122 多模型蒸餾

通過簡單的線性加權(quán)融合方式來更新模型會(huì)造成濾波器無法保留對目標(biāo)的長時(shí)記憶,隨著模型的更新會(huì)逐漸丟失目標(biāo)在時(shí)域中的魯棒特征。多模型指導(dǎo)學(xué)習(xí)可以從時(shí)域全局中保留目標(biāo)的魯棒特征,提升濾波器對目標(biāo)的判別能力,式(3)多模型蒸餾表示為

(5)

式中：是第個(gè)指導(dǎo)老師模型；與是正則化系數(shù)；是蒸餾因子,衡量指導(dǎo)老師的可靠性與魯棒性評分；是指導(dǎo)老師的先驗(yàn)權(quán)重。

如圖1(b)所示將時(shí)域中收集的個(gè)濾波器模型作為指導(dǎo)老師約束當(dāng)前模型的更新。每個(gè)老師在時(shí)域中對目標(biāo)的表征能力不同,根據(jù)其可靠性賦予不同的蒸餾因子,提高多模型對目標(biāo)變化的動(dòng)態(tài)適應(yīng)性。目標(biāo)在時(shí)間軸上是連續(xù)變化的,根據(jù)先驗(yàn)信息對衡量模型可靠性的蒸餾因子進(jìn)行約束,使得濾波器更多關(guān)注當(dāng)前幀附近的模型信息。

式(5)中多模型蒸餾通過范數(shù)使得每一名指導(dǎo)老師可以約束當(dāng)前濾波器的學(xué)習(xí),避免過度關(guān)注當(dāng)前目標(biāo)狀態(tài)而丟失目標(biāo)的魯棒特征。每一名指導(dǎo)老師的建立對提升濾波器的性能非常重要,為確保濾波器的獨(dú)特性與純凈性,采取與BACF相同的方法利用當(dāng)前正樣本提取的特征進(jìn)行指導(dǎo)老師訓(xùn)練,其損失函數(shù)為

(6)

其中,此處是通過每一個(gè)正樣本所提取的特征,不采用線性加權(quán)融合的方式進(jìn)行模型更新,是利用樣本所學(xué)習(xí)的第個(gè)獨(dú)立濾波器模型來擬合每一樣本中特定目標(biāo)。

如圖2所示,通過“密集+稀疏”采樣方式收集獨(dú)立模型存儲到模型庫,其中每一名指導(dǎo)老師都是對樣本目標(biāo)當(dāng)前狀態(tài)的特定表達(dá),如果目標(biāo)遇到大面積遮擋或形變,被干擾的只有當(dāng)前模型,其他獨(dú)立模型并未受到干擾。因此在整個(gè)時(shí)域中每名老師對當(dāng)前目標(biāo)的表征能力不同,可能存在錯(cuò)誤模型,需要根據(jù)其可靠性賦予不同的蒸餾因子,更為精確指導(dǎo)當(dāng)前模型更新。

圖2 多模型的可靠性評估Fig.2 Reliability evaluation of multiple models

在時(shí)間軸上當(dāng)前目標(biāo)的狀態(tài)與附近模型相似程度較高,我們希望模型在更新過程中更多關(guān)注當(dāng)前幀附近的模型,在時(shí)域中我們加入先驗(yàn)信息,對距離當(dāng)前模型較近的指導(dǎo)老師蒸餾因子賦予更大先驗(yàn)權(quán)重,增強(qiáng)對目標(biāo)變化的抗擾動(dòng)性,先驗(yàn)信息被賦值為

(7)

式中：=(-+[(1-)--1])；是學(xué)習(xí)率。先驗(yàn)信息的引入作為指導(dǎo)老師可靠性評估的正則化項(xiàng),使得多模型蒸餾過程中受到當(dāng)前幀附近指導(dǎo)老師影響較大,以此來適應(yīng)目標(biāo)外觀的變化。

1.3 模型優(yōu)化

多模型蒸餾相關(guān)濾波器的優(yōu)化求解過程主要是對指導(dǎo)老師、在線跟蹤用于檢測目標(biāo)的濾波器以及蒸餾因子的求解。

131 指導(dǎo)老師的優(yōu)化求解

首先根據(jù)式(5)來求解利用當(dāng)前正樣本所獲得的獨(dú)立濾波器,并儲存到指導(dǎo)老師庫中,用于進(jìn)行多模型蒸餾學(xué)習(xí)。由于式(5)具有凸函數(shù)特性,引入約束參量,可以將其轉(zhuǎn)換到頻域中直接進(jìn)行求解:

(8)

132 濾波器更新優(yōu)化

將公式(3)轉(zhuǎn)換到頻域中進(jìn)行加速求解:

(9)

式(9)是具有凸函數(shù)特性,可以通過ADMM算法進(jìn)行求解。式(9)的增廣拉格朗日方程為

(10)

(1) 子問題

(11)

(12)

(13)

(14)

(15)

(3) 拉格朗日數(shù)乘更新

(16)

式中：表示上一迭代求解值；+1表示當(dāng)前迭代求解值；是通過(+1)=min(,())來進(jìn)行更新。

133 模型權(quán)值優(yōu)化

在固定的的基礎(chǔ)上,通過對式(3)中蒸餾因子直接求導(dǎo),令其為0可以求解得到:

(17)

式(17)是屬于二次規(guī)劃問題,可以轉(zhuǎn)化為下列優(yōu)化問題:

(18)

對式(18)優(yōu)化是凸二次規(guī)劃問題,通過二次編程實(shí)現(xiàn)對快速求解。

2 實(shí)驗(yàn)分析

本文提出的方法是在BACF算法基礎(chǔ)上改進(jìn)而來,在標(biāo)準(zhǔn)的視覺跟蹤數(shù)據(jù)庫UAV123、UAVDT以及OTB-2015進(jìn)行評估,對實(shí)驗(yàn)整體情況進(jìn)行詳細(xì)的介紹,通過與其他先進(jìn)方法進(jìn)行對比,驗(yàn)證所提方法的可靠性與穩(wěn)定性。

2.1 實(shí)驗(yàn)細(xì)節(jié)

采用深度特征(VGG-16的Conv4-3層)和手工特征(HOG與CN)融合的方式進(jìn)行目標(biāo)定位,對于尺度估計(jì)利用手工特征(HOG)進(jìn)行確定,本文提出算法的速度可以達(dá)到20FPS(frame per second, FPS)。對模型權(quán)值優(yōu)化中學(xué)習(xí)率=0028,=50和最大模型數(shù)量=60。多模型蒸餾求解參數(shù)中,正則化約束系數(shù),和分別設(shè)置為01,15和02,=01和步長因子設(shè)置為10。實(shí)驗(yàn)測試平臺是Matlab2017a,深度特征使用MatConvNet實(shí)現(xiàn),所有實(shí)驗(yàn)均在配備Intel i7 8700 CPU,32 GB RAM和NVIDIA GTX 1070Ti GPU的計(jì)算機(jī)上運(yùn)行。

2.2 定量分析

2.2.1 UAV數(shù)據(jù)庫

UAV123和UAVDT是基于無人機(jī)平臺下拍攝的各類視頻序列。在圖3中展示了所提方法與其他跟蹤器在UAV123和UAVDT數(shù)據(jù)庫中的對比結(jié)果,在UAV123中精確度和成功率分別取得75.5%和51.8%的成績,優(yōu)于大部分跟蹤器。在UAVDT數(shù)據(jù)庫上,跟蹤器的性能遠(yuǎn)遠(yuǎn)超過其他跟蹤器,取得了最優(yōu)的成績。無人機(jī)數(shù)據(jù)庫上的結(jié)果表明通過多模型指導(dǎo)學(xué)習(xí),可以使濾波器在模型更新過程中更多關(guān)注目標(biāo)在時(shí)域中的魯棒特征,減輕跟蹤過程中模型漂移帶來的問題。

圖3 無人機(jī)數(shù)據(jù)庫中的實(shí)驗(yàn)結(jié)果Fig.3 Experimental results in the drone database

在UAV123數(shù)據(jù)庫中,針對尺度變化(scale variation, SV)、縱橫比變化(aspect ratio change, ARC)、低分辨率(low resolution, LR)、快速運(yùn)動(dòng)(fast motion, FM)、完全遮擋(full occlusion, FOC)、部分遮擋(partial occlusion, POC)、視野外(out-of-view, OV)、背景雜波(background clutter, BC)、光照變化(illumination variation, IV)、視角變化(viewpoint change, VC)、相機(jī)運(yùn)動(dòng)(camera motion, CM)和相似目標(biāo)(similar object, SOB)12種屬性,將本文提出的算法與其他基于相關(guān)濾波的算法進(jìn)行對比分析,在各個(gè)屬性下的成功率如圖4所示。在BC、部分POC以及FM超過大多數(shù)基于相關(guān)濾波的方法,這表明通過收集時(shí)域中的獨(dú)立模型作為指導(dǎo)老師約束濾波器更新可以從時(shí)域全局整合目標(biāo)的信息,同時(shí)通過對指導(dǎo)老師的可靠性評估可以增強(qiáng)模型對目標(biāo)的適應(yīng)性,以此應(yīng)對目標(biāo)外觀的動(dòng)態(tài)變化。局部樣本庫的建立使得濾波器在復(fù)雜背景中仍可以準(zhǔn)確判別目標(biāo)。

圖4 不同難度屬性結(jié)果圖Fig.4 Results of different difficulty attributes

2.2.2 OTB-2015數(shù)據(jù)庫

在OTB-2015數(shù)據(jù)庫上,所設(shè)計(jì)的跟蹤器與其他先進(jìn)跟蹤器進(jìn)行了比較分析,包括基于正則化的跟蹤器(GFSDCF、BACF、STRCF以及CSR-DCF)、基于多特征融合的跟蹤器(Staple)、基于多樣本訓(xùn)練的跟蹤器(SRDCFdecon)、基于神經(jīng)網(wǎng)絡(luò)的跟蹤器(MDNet、CREST和SiamFC)、基于時(shí)域多模型融合的跟蹤器(MEEM、TLD)。

圖5展示了在OTB-2015數(shù)據(jù)庫上的跟蹤結(jié)果,本文提出的方法精確度和成功率分別是92.4%和69.3%,超過了大多數(shù)基于相關(guān)濾波的跟蹤器得分。與基于神經(jīng)網(wǎng)絡(luò)的跟蹤器相比,所提方法在性能上有了顯著提升。與其他基于時(shí)域多模型融合的跟蹤器相比,所設(shè)計(jì)的跟蹤器在性能與速度上更具有優(yōu)勢。MEEM組成時(shí)域多模型專家組來聯(lián)合判斷目標(biāo)位置,防止單個(gè)模型判斷錯(cuò)誤而發(fā)生模型漂移,但是這種方法只用到了目標(biāo)在時(shí)域中的有限信息,同時(shí)專家組的可靠性也無法做出評估。TLD借助光流來整合目標(biāo)在時(shí)域的信息,通過反饋前向后向誤差來適應(yīng)目標(biāo)的外觀變化。

圖5 OTB-2015數(shù)據(jù)庫跟蹤結(jié)果Fig.5 Results in the OTB-2015 database tracking

2.3 消融分析

在UAV123數(shù)據(jù)庫上對跟蹤器的每個(gè)關(guān)鍵部分進(jìn)行消融分析,驗(yàn)證多模型蒸餾對性能的提升,同時(shí)對UAV123中的uav3視頻序列進(jìn)行模型權(quán)重更新的分析。

2.3.1 多模型蒸餾

指導(dǎo)老師在時(shí)域中的約束使得濾波器在更新過程中可以關(guān)注目標(biāo)魯棒特征,同時(shí)對指導(dǎo)老師進(jìn)行可靠性評估,提升濾波器對目標(biāo)變化的適應(yīng)能力,最后通過在局部樣本庫上同時(shí)學(xué)習(xí)目標(biāo)與背景信息,增強(qiáng)判別能力。我們分別對這3個(gè)模塊進(jìn)行分析,baseline表示不加入多模型蒸餾與局部樣本庫訓(xùn)練的基準(zhǔn)算法,baseline_sample表示僅使用局部樣本庫進(jìn)行訓(xùn)練,不使用多模型蒸餾。在不加入局部樣本庫訓(xùn)練的條件下,baseline_FWM表示只采用固定先驗(yàn)權(quán)值的多模型蒸餾,baseline_UWM表示對指導(dǎo)老師模型不加先驗(yàn)權(quán)重(式(7)中的)約束蒸餾因子更新的多模型蒸餾,baseline_PUWM表示加入時(shí)域先驗(yàn)權(quán)重約束更新的多模型蒸餾,實(shí)驗(yàn)結(jié)果如表1所示。

表1 消融分析結(jié)果

局部樣本庫的建立使得濾波器可以有效學(xué)習(xí)背景信息,增強(qiáng)對目標(biāo)與背景的判別能力。與baseline相比baseline_sample的精確度與成功率分別提升了2.3%和1.2%。多模型的指導(dǎo)學(xué)習(xí)使濾波器在更新過程中可以保留目標(biāo)在時(shí)域中的魯棒特征,避免模型漂移。采用固定先驗(yàn)權(quán)重的baseline_FWM在精確度與成功率上分別超過baseline 4.2%和2.0%。同時(shí),為了使指導(dǎo)老師模型可以適應(yīng)目標(biāo)的變化,需要對指導(dǎo)老師進(jìn)行可靠性評估,采用時(shí)域先驗(yàn)權(quán)重約束蒸餾因子學(xué)習(xí)的baseline_PUWM在性能上提升了6.5%和2.8%,而不加先驗(yàn)約束的baseline_UWM性能上只提升了2.8%和1.4%,比baseline_FWM在性能上有所下降。如圖6所示,由于加入時(shí)域先驗(yàn)信息約束學(xué)習(xí)的baseline_PUWM,濾波器的注意力更多關(guān)注在當(dāng)前幀附近的模型,而未加入時(shí)域先驗(yàn)約束權(quán)重學(xué)習(xí)的baseline_UWM,濾波器學(xué)習(xí)時(shí)更多從整個(gè)模型庫學(xué)習(xí),在學(xué)習(xí)過程中丟失了目標(biāo)在當(dāng)前幀附近的信息,容易造成模型漂移,導(dǎo)致跟蹤失敗。

圖6 UAV123數(shù)據(jù)庫中的uav3視頻序列中模型權(quán)重分配Fig.6 Model weight distribution of uav3 video sequence in UAV123 database

2.3.2 模型的選擇方式

指導(dǎo)老師的選取對性能的提升非常重要,數(shù)量過多使得指導(dǎo)老師信息冗余嚴(yán)重,增加了計(jì)算量;數(shù)量過少無法保留目標(biāo)在動(dòng)態(tài)變化過程中的魯棒特征,因此提出一種“密集+稀疏”的采樣方式,在UAV123數(shù)據(jù)庫中對指導(dǎo)老師的選擇方式進(jìn)行了對比實(shí)驗(yàn)。經(jīng)過實(shí)驗(yàn)驗(yàn)證指導(dǎo)教師模型庫最多保留60個(gè)時(shí)性能最佳,可以同時(shí)兼顧跟蹤器的性能與速度。分別選取了3種采樣方式,分別為:連續(xù)密集取60個(gè)模型(Dense)、每間隔3幀稀疏選取一個(gè)模型(Sparse)以及密集取50個(gè)當(dāng)前幀臨近模型,間隔3幀取10個(gè)稀疏模型(Dense+Sparse)。

實(shí)驗(yàn)結(jié)果如圖7所示,與連續(xù)密集采樣方式相比,本文的方法在精確度與成功率上分別提升1.5%和0.7%。而與稀疏選取模型方式相比,性能上分別提升了3.1%和1.7%。結(jié)果表明,通過“密集+稀疏”采集模型的方式,既可保留目標(biāo)在時(shí)域的動(dòng)態(tài)變化性,從中學(xué)習(xí)目標(biāo)的魯棒特征,降低模型漂移問題,又可減少模型數(shù)量避免冗余信息堆積,提升跟蹤速度。

圖7 不同模型選擇方式的性能分析Fig.7 Performance analysis of different model selection methods

2.4 定性分析

圖8表示所設(shè)計(jì)的跟蹤器與其他跟蹤器(BACF、MEEM、TLD和ECO)的定性比較結(jié)果圖,上述視頻序列分別是在UAV123數(shù)據(jù)庫中的biker1、group1、wakeboard1和car10。

圖8 定性分析結(jié)果Fig.8 Qualitative analysis results

biker1中主要難度是長時(shí)跟蹤中隨著無人機(jī)的移動(dòng)目標(biāo)處于動(dòng)態(tài)變化中,這需要算法具有較強(qiáng)的魯棒性與穩(wěn)定性。BACF僅利用前后兩幀模型進(jìn)行更新,長時(shí)跟蹤容易造成誤差積累,而TLD與MEEM無法持續(xù)跟蹤目標(biāo)。本文提出的方法通過收集跟蹤過程中的模型作為指導(dǎo)老師,濾波器可以關(guān)注目標(biāo)在時(shí)域中的魯棒特征,提高對目標(biāo)外觀變化的抗擾動(dòng)性。

group1中的目標(biāo)遮擋是跟蹤任務(wù)中的經(jīng)典問題。在第904幀中,目標(biāo)被部分遮擋后又重新出現(xiàn),大部分跟蹤器都已經(jīng)丟失目標(biāo),無法準(zhǔn)確判別目標(biāo)的位置。所設(shè)計(jì)的跟蹤器在時(shí)域中受到指導(dǎo)老師的約束,同時(shí)對指導(dǎo)老師進(jìn)行評估,當(dāng)目標(biāo)出現(xiàn)短時(shí)遮擋,跟蹤器通過多模型的約束學(xué)習(xí)可以保留目標(biāo)在時(shí)域中長時(shí)記憶,降低因目標(biāo)遮擋出現(xiàn)的錯(cuò)誤模型對模型更新產(chǎn)生的影響。

wakeboard1和car10中的目標(biāo)受到復(fù)雜背景的干擾。背景與相似目標(biāo)的干擾使得大多數(shù)跟蹤器無法準(zhǔn)確區(qū)分目標(biāo),最終丟失目標(biāo)。本文提出的跟蹤器可以一直穩(wěn)定跟蹤目標(biāo),通過建立局部樣本庫的方式,濾波器同時(shí)學(xué)習(xí)目標(biāo)與背景處的信息,增強(qiáng)對目標(biāo)的判別能力,使濾波器在復(fù)雜背景的干擾下仍可以準(zhǔn)確跟蹤目標(biāo)。

3 結(jié) 論

本文根據(jù)蒸餾的思想提出一種基于多模型蒸餾的時(shí)間正則化相關(guān)濾波跟蹤算法,在建立的局部樣本庫中,收集跟蹤過程中的獨(dú)立模型作為指導(dǎo)老師約束濾波器更新,使其保留目標(biāo)在時(shí)域中的魯棒特征,避免發(fā)生模型漂移;對每一名指導(dǎo)老師進(jìn)行可靠性評估,提高模型對目標(biāo)動(dòng)態(tài)變化的適應(yīng)性,有效應(yīng)對目標(biāo)的遮擋以及形變等問題;通過ADMM算法進(jìn)行加速求解,提升計(jì)算效率。實(shí)驗(yàn)結(jié)果表明多模型蒸餾可以有效提升跟蹤器的性能。