肖振久，李 鑫

遼寧工程技術(shù)大學(xué) 軟件學(xué)院，遼寧 葫蘆島 125105

目標(biāo)跟蹤是計(jì)算機(jī)視覺(jué)研究領(lǐng)域的一個(gè)重要課題，有著重要的研究意義，一般指對(duì)一段視頻圖像序列中預(yù)先選擇的目標(biāo)對(duì)象進(jìn)行連續(xù)的跟蹤定位，以獲得目標(biāo)尺度和位置信息的研究方向，在視頻監(jiān)控、人機(jī)交互等方面有著重要應(yīng)用[1]。隨著研究的發(fā)展，基于相關(guān)濾波的跟蹤方法和基于深度學(xué)習(xí)[2]的跟蹤方法都在跟蹤領(lǐng)域取得了重大成績(jī)[3]。雖然主流的目標(biāo)跟蹤算法已經(jīng)能在一些數(shù)據(jù)集上取得較好的跟蹤效果，但在一些特殊情況下還面臨如目標(biāo)遮擋、光照變換[4]等很多困難。如何解決這些挑戰(zhàn)，是目標(biāo)跟蹤領(lǐng)域亟待解決的問(wèn)題。

目標(biāo)跟蹤算法在建模上可分為生成式方法[5]和判別式方法[6]，生成式跟蹤方法主要通過(guò)建立模型后直接與跟蹤目標(biāo)進(jìn)行匹配，經(jīng)典的方法有均值漂移算法[7]（Mean-Shift），Mean-Shift算法實(shí)現(xiàn)簡(jiǎn)單，速度較快，但是沒(méi)有考慮背景信息，在面對(duì)背景復(fù)雜、快速運(yùn)動(dòng)、尺度變換等問(wèn)題時(shí)跟蹤效果較差。判別式跟蹤方法將目標(biāo)跟蹤問(wèn)題轉(zhuǎn)化為目標(biāo)與背景信息的二分類問(wèn)題，區(qū)分目標(biāo)與背景以實(shí)現(xiàn)目標(biāo)的跟蹤。經(jīng)典的判別式算法有Struck[8]、TLD[9]等，盡管判別式算法具有較快的跟蹤速度，依然不能滿足目標(biāo)實(shí)時(shí)性的要求。尋找一種效率與精準(zhǔn)度更高的算法依然是該領(lǐng)域研究的重要方向。最小平方和誤差濾波器[10（]MOSSE）首次將相關(guān)濾波方法用于目標(biāo)跟蹤領(lǐng)域，通過(guò)卷積（CNN）的方法，快速將目標(biāo)與背景信息的相似程度進(jìn)行對(duì)比，對(duì)目標(biāo)進(jìn)行采樣與學(xué)習(xí)。核循環(huán)結(jié)構(gòu)跟蹤方法[11（]CSK）在MOSSE的基礎(chǔ)上引入了循環(huán)矩陣和核的概念，通過(guò)密集采樣大幅擴(kuò)充了訓(xùn)練樣本的容量，從而提升了跟蹤精度，同時(shí)由于采用了核技巧，導(dǎo)致訓(xùn)練時(shí)間并沒(méi)有因?yàn)橛?xùn)練樣本的增加而延長(zhǎng)，解決了MOSSE中采用稀疏矩陣造成的樣本冗余問(wèn)題。核相關(guān)濾波算法[12（]KCF）引入高斯核函數(shù)，利用訓(xùn)練樣本的周期性假設(shè)來(lái)對(duì)目標(biāo)鄰域中的分類器進(jìn)行有效地學(xué)習(xí)，并在CSK的基礎(chǔ)上擴(kuò)展了多通道梯度特征[13]，提高了濾波器的跟蹤效果。背景感知相關(guān)濾波算法[14（]BACF）在傳統(tǒng)相關(guān)濾波的跟蹤方法上增加了樣本數(shù)量，同時(shí)通過(guò)裁剪操作提高了樣本質(zhì)量，解決了相關(guān)濾波跟蹤中目標(biāo)背景不能隨時(shí)間建模導(dǎo)致的次優(yōu)性問(wèn)題，并在實(shí)現(xiàn)過(guò)程中對(duì)求解過(guò)程進(jìn)行了優(yōu)化，較大地提高了跟蹤器的跟蹤效果。然而，傳統(tǒng)的相關(guān)濾波器在對(duì)尺度預(yù)測(cè)上依然存在較大的缺陷，文獻(xiàn)[15]提出了快速尺度估計(jì)的增強(qiáng)型多核相關(guān)濾波算法，在KCF的基礎(chǔ)上引入一種快速判別式尺度估計(jì)的目標(biāo)跟蹤方法。文獻(xiàn)[16]針對(duì)尺度突變問(wèn)題，提出了一種先檢測(cè)后跟蹤的自適應(yīng)尺度突變的跟蹤算法。在尺度方面做了改進(jìn)，提出了尺度自適應(yīng)核相關(guān)濾波目標(biāo)跟蹤。文獻(xiàn)[17]通過(guò)尺度池在線學(xué)習(xí)判別式尺度濾波器，在目標(biāo)位置估計(jì)最佳目標(biāo)尺寸，提出了自適應(yīng)尺度的上下文感知相關(guān)濾波跟蹤算法。

這些方法著重于算法的精確度，對(duì)濾波器的訓(xùn)練速度并沒(méi)有大幅的提升，為了有效解決濾波器的訓(xùn)練跟蹤速度，在保證跟蹤效果的同時(shí)盡可能提高跟蹤效率，本文在傳統(tǒng)跟蹤方法中引入密集峰值聚類算法[18（]DPC），并將其應(yīng)用于BACF跟蹤框架。（1）對(duì)目標(biāo)區(qū)域與背景區(qū)域分別進(jìn)行聚類。（2）使用單尺度傳統(tǒng)目標(biāo)跟蹤方法對(duì)位置進(jìn)行粗定位。（3）在定位過(guò)程中，取消了圖像金字塔的跟蹤訓(xùn)練方法，通過(guò)DPC方法進(jìn)行尺度回歸，最終得到目標(biāo)的尺度與位置。（4）對(duì)目標(biāo)函數(shù)問(wèn)題進(jìn)行優(yōu)化求解，通過(guò)構(gòu)造輔助因子，利用增廣拉格朗日乘子法和ADMM方法進(jìn)行求解，在數(shù)據(jù)集OTB2013、OTB2015和DTB70上評(píng)估本文算法，實(shí)驗(yàn)結(jié)果表明，與當(dāng)前主流算法相比，在保證準(zhǔn)確率的情況下，本文算法的跟蹤速度能夠達(dá)到47.09幀/s。

1 背景感知算法相關(guān)原理

傳統(tǒng)相關(guān)濾波器在當(dāng)前幀構(gòu)造一個(gè)濾波器模板，以求得下一幀圖像中目標(biāo)的響應(yīng)圖，相應(yīng)圖峰值為目標(biāo)的中心位置。核檢測(cè)跟蹤的循環(huán)結(jié)構(gòu)目標(biāo)跟蹤算法（CSK），采取嶺回歸的方法對(duì)問(wèn)題進(jìn)行求解，通過(guò)密集采樣擴(kuò)大了樣本容量，提高了跟蹤精度與跟蹤效率，其目標(biāo)函數(shù)如下：

式中，m是訓(xùn)練樣本數(shù)量，h是濾波器權(quán)重矩陣，是正則項(xiàng)，防止濾波器模板出現(xiàn)過(guò)擬合現(xiàn)象，L(y,f(x))=(y-f(x) )2是損失函數(shù)，f(x)是線性分類器，記為f(x)=w,x+b，λ是正則項(xiàng)系數(shù)。

核相關(guān)濾波算法（KCF）通過(guò)訓(xùn)練樣本的周期性假設(shè)來(lái)對(duì)目標(biāo)鄰域中的分類器進(jìn)行高效學(xué)習(xí)。并在CSK的基礎(chǔ)上增加了HOG特征以提高跟蹤效果，其目標(biāo)函數(shù)如下：

式中，h為濾波器權(quán)重矩陣，yi為真實(shí)響應(yīng)矩陣，f(xi)為濾波器響應(yīng)矩陣，為正則項(xiàng)，訓(xùn)練的目標(biāo)是找到一個(gè)函數(shù)f(z)=wTz，使其能夠最小化樣本及其回歸目標(biāo)yi的平方誤差，λ是控制過(guò)擬合的正則化參數(shù)。

背景感知相關(guān)濾波算法（BACF）使用由真實(shí)位移產(chǎn)生的負(fù)樣本，擴(kuò)充了樣本容量，并通過(guò)ADMM方法對(duì)濾波器模型進(jìn)行求解，極大地降低了求解過(guò)程的時(shí)間復(fù)雜度，其目標(biāo)函數(shù)如下：

其中，P是一個(gè)D×T的二進(jìn)制矩陣，它剪裁信號(hào)xk的中間元素。

2 密度峰值聚類的全尺度跟蹤模型

本文提出一種基于密度峰值聚類的全尺度相關(guān)濾波跟蹤方法，通過(guò)聚類模型代替圖像金字塔進(jìn)行尺度預(yù)測(cè)，使用單尺度相關(guān)濾波器對(duì)目標(biāo)進(jìn)行粗定位，再根據(jù)聚類模型對(duì)目標(biāo)中的樣本點(diǎn)進(jìn)行預(yù)測(cè)，以得到尺度置信度最高的預(yù)測(cè)框。

如圖1（a），黃色框區(qū)域內(nèi)側(cè)為前景區(qū)域，本算法在前景內(nèi)進(jìn)行間隔隨機(jī)前景采樣，得到目標(biāo)的前景特征集合，如圖1（b）藍(lán)色框與黃色框之間的區(qū)域?yàn)镻adding區(qū)域，在Padding區(qū)域內(nèi)對(duì)背景進(jìn)行間隔隨機(jī)采樣。采樣后對(duì)前景區(qū)域與背景區(qū)域分別進(jìn)行聚類運(yùn)算。為了減少前景樣本空間中的背景點(diǎn)對(duì)前景聚類產(chǎn)生干擾影響，在聚類過(guò)程中，需要從前景信息點(diǎn)中剔除與背景特征近似的點(diǎn)，以此對(duì)前景點(diǎn)的聚類進(jìn)行更合理的劃分，從而得到更準(zhǔn)確的前景點(diǎn)聚類中心。

圖1 前背景采樣示意圖Fig.1 Schematic diagram of front background sampling

2.1 密度峰值聚類的尺度預(yù)測(cè)方法

2.1.1 密度峰值聚類方法

由于數(shù)字圖像的特征矩陣滿足在聚類時(shí)，簇中心的局部密度大于圍繞它的鄰距的局部密度，且不同簇中心之間的距離相對(duì)較遠(yuǎn)。因此本文算法通過(guò)引入局部密度來(lái)對(duì)前景點(diǎn)和背景點(diǎn)進(jìn)行聚類分析。在聚類過(guò)程中，通過(guò)局部密度的定義來(lái)計(jì)算簇中心，計(jì)算方法如下：

式中，ρi是樣本點(diǎn)xi的局部密度，dij是特征維度為K的樣本點(diǎn)xi與xj的閔氏距離，dc為樣本點(diǎn)的截?cái)嗑嚯x，χ(·)為邏輯判斷函數(shù)，同時(shí)，可以得到距離δi的表達(dá)式：

之后可以根據(jù)上述定義通過(guò)構(gòu)造δi和ρi的決策圖，對(duì)數(shù)字圖像的前景點(diǎn)和背景點(diǎn)進(jìn)行快速聚類。

2.1.2 前背景依存度κ

在不同視頻序列中，被跟蹤的目標(biāo)區(qū)域內(nèi)，有可能因?yàn)檎趽趸騽?dòng)態(tài)模糊出現(xiàn)與背景特征相似的像素點(diǎn)，如圖2，對(duì)于不同位置的點(diǎn)，不僅從聚類方法上對(duì)點(diǎn)的前背景歸屬屬性進(jìn)行判斷，也需要從點(diǎn)的鄰域環(huán)境對(duì)點(diǎn)的歸屬進(jìn)行分類。

圖2 前背景依存度計(jì)算示意圖Fig.2 Schematic diagram of front background dependency calculation

在這種情況下，本文引入前背景依存度的概念來(lái)對(duì)目標(biāo)區(qū)域中相似于背景點(diǎn)的前景點(diǎn)來(lái)進(jìn)行分類，點(diǎn)p(x,y)的前背景依存度表示如下：

式中，κ(x,y)為點(diǎn)p(x,y)的前背景依存度，Ψ(d,x,y)表示以p(x,y)為中心點(diǎn)且寬度為d的正方形檢測(cè)區(qū)域內(nèi)前景點(diǎn)的數(shù)量，d為待檢測(cè)點(diǎn)的鄰域?qū)挾取?/p>

2.1.3 自由尺度

在目標(biāo)跟蹤的數(shù)據(jù)集中，部分視頻序列會(huì)出現(xiàn)前景背景特征相似的問(wèn)題，為避免在前景和背景相似時(shí)，跟蹤目標(biāo)出現(xiàn)劇烈的尺度變化，本文通過(guò)引入自由尺度π和尺度置信度?來(lái)提高對(duì)前背景特征相似時(shí)尺度預(yù)測(cè)的精確度，提高尺度預(yù)測(cè)的魯棒性。

在對(duì)目標(biāo)尺度進(jìn)行預(yù)測(cè)搜索時(shí)，本文算法僅在Boxout和Boxin的范圍之間對(duì)目標(biāo)進(jìn)行尺度預(yù)測(cè)，這樣能夠避免在前背景顏色相似時(shí)，或出現(xiàn)光照變換時(shí)，尺度進(jìn)行波動(dòng)的情況。

如圖3，上一幀中目標(biāo)的尺度為Boxtraget，以當(dāng)前幀目標(biāo)響應(yīng)值為最大點(diǎn)，在Boxout和Boxin的范圍之間對(duì)目標(biāo)進(jìn)行尺度預(yù)測(cè)，其中Boxout和Boxin的中心位置為當(dāng)前幀目標(biāo)響應(yīng)值最大點(diǎn)，搜索區(qū)域的尺寸計(jì)算方法為：

圖3 自由尺度示意圖Fig.3 Schematic diagram of auto-scale

式中，width(·)為box區(qū)域的寬度，Scale(·)為box區(qū)域的縮放因子，length(·)為box區(qū)域的長(zhǎng)度。

2.1.4 尺度置信度?

自由尺度只能從尺度的最大變換范圍給出一個(gè)限制，但在面對(duì)相似背景或邊緣分割模糊的情況下就難以預(yù)測(cè)目標(biāo)的真實(shí)尺度。為解決這個(gè)問(wèn)題，本文引入尺度置信度的概念，來(lái)對(duì)一個(gè)目標(biāo)的尺度進(jìn)行更精準(zhǔn)的預(yù)測(cè)，尺度置信度?表示如下：

式中，?為當(dāng)前預(yù)測(cè)框的尺度置信度，Areaf為預(yù)測(cè)區(qū)域的前景點(diǎn)面積，Areab為預(yù)測(cè)區(qū)域的整體面積，Δd為上一幀中目標(biāo)區(qū)域與當(dāng)前幀中預(yù)測(cè)區(qū)域的差值，a為置信度系數(shù)。如圖4所示，在預(yù)測(cè)過(guò)程中，本方法通過(guò)尋找尺度置信度最大的預(yù)測(cè)框，來(lái)對(duì)目標(biāo)區(qū)域進(jìn)行定位搜索。

圖4 尺度置信度計(jì)算示意圖Fig.4 Schematic diagram of scale confidence calculation

如圖4，兩幀之間進(jìn)行尺度預(yù)測(cè)的過(guò)程中，虛線框?yàn)樯弦粠械哪繕?biāo)區(qū)域，實(shí)線框?yàn)橄乱粠哪繕?biāo)區(qū)域。在繼續(xù)減小目標(biāo)長(zhǎng)度時(shí)，由于目標(biāo)是一個(gè)不規(guī)則圖形而非矩形，雖然區(qū)域中前景面積與區(qū)域面積的比值會(huì)繼續(xù)增大，但目標(biāo)置信度?反而會(huì)由于面積的減小而縮小，從而使目標(biāo)跟蹤的尺度預(yù)測(cè)更為精準(zhǔn)。

2.1.5 間隔采樣

考慮到聚類方法的聚類速度較慢，在同一個(gè)視頻序列中顏色的分布情況近似，在一片搜索區(qū)域內(nèi)做等距離的區(qū)域分割，每個(gè)區(qū)域的顏色分布將會(huì)近似，因此，在聚類過(guò)程中本文采取間隔采樣的方法，分別對(duì)前景和背景的樣本點(diǎn)進(jìn)行采樣。在采樣過(guò)程中，目標(biāo)的尺寸為W×H，搜索區(qū)域的縮放因子為β，采樣間隔為ψ，如圖5（a）綠色區(qū)域?yàn)榍熬安蓸訁^(qū)域，如圖5（b）綠色區(qū)域?yàn)楸尘安蓸訁^(qū)域。

圖5 間隔采樣示意圖Fig.5 Schematic diagram of interval sampling

2.2 密度峰值聚類跟蹤模型

2.2.1 模型目標(biāo)函數(shù)

為了提高在目標(biāo)跟蹤過(guò)程中粗定位的精度，增強(qiáng)濾波器跟蹤性能，本文將聚類后的距離δi用于指導(dǎo)濾波器的擬合程度，由此，模型的目標(biāo)函數(shù)如下：

其中，T是樣本x的尺寸大小或者像素點(diǎn)的數(shù)量，P是一個(gè)D×T的二維矩陣，使樣本x的尺寸從T變?yōu)镈(D?T)，Δτj為循環(huán)矩陣的第j個(gè)樣本。ω為采樣區(qū)域中全部樣本中心距離δi的最大值，用來(lái)指導(dǎo)濾波器的擬合程度。

2.2.2 密度峰值聚類的全尺度跟蹤模型求解

為優(yōu)化求解速度，根據(jù)循環(huán)樣本的頻域能夠快速求解的特性，使用帕塞瓦爾定理將表達(dá)式（9）變換到頻域，并引入增廣拉格朗日乘子法（ALM）進(jìn)行求解，公式如下：

得到式（10）后，對(duì)g和f進(jìn)行分別優(yōu)化求解，可以簡(jiǎn)化為兩個(gè)子問(wèn)題如下：

由傅里葉變換解得：

將上式對(duì)g(t)求偏導(dǎo)的值為0，得到：

上式中求逆運(yùn)算增加了計(jì)算的復(fù)雜度，為減少計(jì)算時(shí)間，引入Shernan-Morrison[19]求解逆矩陣，降低運(yùn)算復(fù)雜度，可以得到如下式子：

2.2.3 拉格朗日因子更新

最后，拉格朗日乘子向量ξ更新方法為：

2.2.4密度峰值聚類的全尺度跟蹤模型跟蹤

為了應(yīng)對(duì)目標(biāo)跟蹤過(guò)程中，跟蹤目標(biāo)可能遇到的形變、光照和旋轉(zhuǎn)等影響，本文采用自適應(yīng)策略來(lái)提高跟蹤器的跟蹤魯棒性，幀h處的在線自適應(yīng)公式如下：

2.2.5 尺度預(yù)測(cè)

跟蹤過(guò)程中，本文提供的方法將先通過(guò)濾波器對(duì)目標(biāo)進(jìn)行粗定位，之后結(jié)合上一幀目標(biāo)大小、背景樣本空間和前景樣本空間對(duì)當(dāng)前幀的目標(biāo)進(jìn)行尺度預(yù)測(cè)。預(yù)測(cè)時(shí)將會(huì)以尺度置信度?最高的區(qū)域的尺度標(biāo)記為目標(biāo)的最終尺度。

3 算法步驟

由于背景感知相關(guān)濾波（BACF）跟蹤算法具有較高的準(zhǔn)確性和魯棒性，因此本文以背景感知相關(guān)濾波算法作為主體框架，在跟蹤過(guò)程中通過(guò)基于密度峰值聚類的全尺寸預(yù)測(cè)方法進(jìn)行尺度預(yù)測(cè)，并引入前背景依存度、自由尺度和尺度置信度來(lái)對(duì)目標(biāo)在當(dāng)前幀的尺寸進(jìn)行更加精準(zhǔn)的定位，以提高在跟蹤過(guò)程中算法的準(zhǔn)確率和成功率。如圖6基于度峰值 聚類的全尺度相關(guān)濾波跟蹤算法模型的算法步驟如下：

圖6 跟蹤器跟蹤階段流程圖Fig.6 Tracker tracking phase flow chart

步驟1初始化階段。（1）得到初始幀的圖像進(jìn)行間隔采樣。（2）根據(jù)目標(biāo)區(qū)域計(jì)算出目標(biāo)區(qū)域鄰近背景的尺寸，對(duì)背景區(qū)域進(jìn)行間隔采樣。（3）分別對(duì)目標(biāo)區(qū)域與背景區(qū)域進(jìn)行密度峰值聚類，剔除目標(biāo)區(qū)域中與背景近似的樣本點(diǎn)。（4）由分離度較高的樣本點(diǎn)構(gòu)成樣本空間。（5）提取前景外觀特征，通過(guò)訓(xùn)練得到濾波器模型。

步驟2目標(biāo)跟蹤階段。（1）根據(jù)上一幀濾波器，在當(dāng)前幀的搜索區(qū)域進(jìn)行相關(guān)運(yùn)算，得到響應(yīng)圖。（2）該響應(yīng)圖為目標(biāo)跟蹤的粗定位中心，通過(guò)前景樣本中心計(jì)算臨近點(diǎn)的前背景依存度。（3）根據(jù)前背景依存度判斷當(dāng)前樣本點(diǎn)屬于前景樣本點(diǎn)還是背景樣本點(diǎn)。（4）循環(huán)計(jì)算當(dāng)前尺度的尺度置信度，得到尺度置信度最高的區(qū)域，為被跟蹤目標(biāo)的預(yù)測(cè)位置。（5）該區(qū)域中心為目標(biāo)預(yù)測(cè)中心，該區(qū)域的尺寸即為目標(biāo)的預(yù)測(cè)尺寸。

步驟3模型更新階段。（1）對(duì)目標(biāo)區(qū)域進(jìn)行裁剪，根據(jù)目標(biāo)區(qū)域的尺寸計(jì)算出目標(biāo)區(qū)域鄰近背景的尺寸。（2）對(duì)目標(biāo)區(qū)域和鄰近背景分別進(jìn)行間隔區(qū)域采樣。（3）對(duì)目標(biāo)區(qū)域和鄰近背景聚類，更新前景和背景的樣本空間。（4）提取前景外觀特征，訓(xùn)練得到前景濾波器模型。

4 實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證改進(jìn)后目標(biāo)跟蹤方法的有效性，本章進(jìn)行性能測(cè)試。這一部分中，將本文算法與其他目標(biāo)跟蹤方法進(jìn)行對(duì)比，在OTB2013、OTB2015、DTB70這三個(gè)數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)分析。其中數(shù)據(jù)集中包含了光照變化、尺度放縮變化、遮擋等11種不同類別的跟蹤場(chǎng)景。采用一次通過(guò)評(píng)估方法來(lái)計(jì)算本文方法的成功率和準(zhǔn)確率。同時(shí)，由于本文方法著重考慮通過(guò)對(duì)搜索區(qū)域內(nèi)樣本點(diǎn)的分類來(lái)進(jìn)行目標(biāo)尺度的預(yù)測(cè)，避免圖像金字塔對(duì)搜索方法速度的影響，因此在跟蹤過(guò)程中算法的運(yùn)行速度也在本次實(shí)驗(yàn)的討論范圍之內(nèi)。

4.1 實(shí)驗(yàn)環(huán)境及參數(shù)配置

本文實(shí)驗(yàn)是在處理器為Intel Core i9-9900K，操作系統(tǒng)為Ubuntu，編程軟件為Matlab2018b。

本文算法有5個(gè)參數(shù)：前背景依存度的鄰域?qū)挾萪=5，自由尺度scale-min=0.8，scale-max=1.2，置信系數(shù)α=0.5，采樣率為0.2，HOG單元大小為4×4，HOG特征通道數(shù)為31，迭代求解次數(shù)為2，其余參數(shù)與BACF的默認(rèn)配置相同。

4.2 整體性能分析

在實(shí)驗(yàn)中，本文選取了KCF、SRDCF[20]、Staple[21]、BACF、ASRCF[22]、LDES[23]、AutoTrack[24]、CSK、DSST[25]共9種同類型的算法進(jìn)行對(duì)比實(shí)驗(yàn)。圖7為10種算法在OTB2013、OTB2015以及DTB70三種數(shù)據(jù)集上面的成功率曲線和精確率曲線。在成功率上，本文算法分別超越BACF 6.80、0.70、0.10個(gè)百分點(diǎn)。在精確率上，本文算法在DTB70和OTB2013數(shù)據(jù)集上分別超越BACF 0.90和0.70個(gè)百分點(diǎn)。雖然在部分?jǐn)?shù)據(jù)集上本文算法的成功率或精確率并未有超過(guò)，但在跟蹤速度上，本文算法較BACF有一個(gè)較大的提升。通過(guò)聚類DPC對(duì)尺度進(jìn)行預(yù)測(cè)，能夠從一定程度上改善跟蹤器的跟蹤速度。

圖7 10種算法在不同數(shù)據(jù)集上的對(duì)比實(shí)驗(yàn)Fig.7 Comparative experiments of 10 algorithms on different data sets

從表1中可以看出，本文算法的跟蹤速度相較于BACF有所提高，對(duì)比于傳統(tǒng)跟蹤算法，該算法在一定程度上減少了傳統(tǒng)圖像金字塔的跟蹤訓(xùn)練方法對(duì)算法速度的影響，在保證準(zhǔn)確率和成功率的基礎(chǔ)上提升速度。

表1 10種算法的平均跟蹤速度Table 1 Average tracking speed of 10 algorithms 單位：幀/s

4.3 定性分析

為了能更直觀地對(duì)算法進(jìn)行定性分析，本文在OTB2015上的100個(gè)視頻序列進(jìn)行實(shí)驗(yàn)并選取了5組具有代表性的視頻序列進(jìn)行結(jié)果展示，圖8為10種不同跟蹤算法下視頻序列的結(jié)果對(duì)比。這5組視頻序列包括目標(biāo)遮擋、尺度變換等11種指標(biāo)，本文選取其中5種指標(biāo)，具體分析如下：

圖8 各種算法在部分序列上的跟蹤結(jié)果對(duì)比Fig.8 Comparison of tracking results of various algorithms on partial sequences

（1）目標(biāo)遮擋（OCC）是目標(biāo)跟蹤中最常見(jiàn)的挑戰(zhàn)之一。在David、Tiger2和Jogging的視頻序列中均發(fā)生了目標(biāo)遮擋現(xiàn)象，在Jogging的第54和71幀中，本文方法、LDES、Auto track、SRDCF方法跟蹤到了目標(biāo)，其他算法的跟蹤目標(biāo)漂移到了遮擋物上面，導(dǎo)致跟蹤失敗。

（2）尺度變換（SV）是目標(biāo)在運(yùn)動(dòng)過(guò)程中的由遠(yuǎn)及近或由近及遠(yuǎn)而產(chǎn)生的尺度大小變化的現(xiàn)象。在David的第411和第460幀中均發(fā)生了明顯的尺度大小變化，其中KCF和CSK沒(méi)有精確地預(yù)測(cè)到目標(biāo)框的大小導(dǎo)致跟蹤發(fā)生了偏移，本文算法通過(guò)背景感知的方法在目標(biāo)框的預(yù)測(cè)上展現(xiàn)了很好的效果。

（3）平面內(nèi)旋轉(zhuǎn)（IPR）是指跟蹤目標(biāo)發(fā)生了旋轉(zhuǎn)等現(xiàn)象。在Singer2、Trellis、David、Tiger2的視頻序列中均發(fā)生了平面內(nèi)旋轉(zhuǎn)，其中Trellis的第408幀中，旋轉(zhuǎn)改變了跟蹤目標(biāo)的特征，使提取目標(biāo)特征的難度增加，其中CSK方法跟蹤失敗，KCF跟蹤發(fā)生了偏移。在Tiger2的第111幀中發(fā)生了快速運(yùn)動(dòng)加上平面內(nèi)的旋轉(zhuǎn)，DSST、KCF、CSK方法均跟蹤失敗。本文方法對(duì)前景和背景分別提取特征并聚類，能在目標(biāo)發(fā)生旋轉(zhuǎn)時(shí)跟蹤結(jié)果仍然準(zhǔn)確。

（4）目標(biāo)形變（DEF）指的是目標(biāo)表觀的不斷變化。在Singer2中，第336幀跟蹤目標(biāo)發(fā)生了形變，SRDCF、CSK和ARCF算法由于目標(biāo)的形變導(dǎo)致在跟蹤過(guò)程中發(fā)生偏移最終跟蹤失敗，本文算法能在目標(biāo)形變過(guò)程中很好地適應(yīng)目標(biāo)表觀變化并及時(shí)進(jìn)行模型更新。

（5）光照變化（IV）指的是目標(biāo)區(qū)域的光照發(fā)生顯著變化。在Trellis的第158和321幀中發(fā)生了明顯的明暗對(duì)比，CSK、KCF在光照的影響下出現(xiàn)了不同程度的跟蹤漂移，本文算法在面對(duì)光照影響時(shí)仍然能夠精準(zhǔn)跟蹤到目標(biāo)。

4.4 定量分析

表2為本文算法和其他9種對(duì)比算法在OTB2013、OTB2015、DTB70上的3個(gè)公開(kāi)數(shù)據(jù)集上的實(shí)驗(yàn)數(shù)據(jù)匯總。本文算法在OTB2013數(shù)據(jù)集的51個(gè)視頻序列上的成功率僅次于最高的LDES算法，精確率也與最高的LDES算法相差0.08。在OTB2015數(shù)據(jù)集的100個(gè)視頻序列上，本文算法的成功率優(yōu)于其他算法，OTB2015的精確率較最高的BACF稍差。

表2 10種跟蹤算法屬性Table 2 Attributes of 10 tracking algorithms

在表3和表4中，本文詳細(xì)地列出了10種跟蹤算法在OTB2015數(shù)據(jù)集上各種屬性上的成功率和準(zhǔn)確率得分。本文方法在光照變化（IV）的視頻序列上的成功率和準(zhǔn)確率表現(xiàn)效果一般，但在平面內(nèi)旋轉(zhuǎn)（IPR）和平面外旋轉(zhuǎn)（OPR）上優(yōu)于其他同屬性算法，說(shuō)明本文算法能很好地應(yīng)對(duì)跟蹤目標(biāo)的旋轉(zhuǎn)。由于本文算法引入了前景依存度概念，使跟蹤算法在尺度變換（SV）和低分辨率（LR）上也展現(xiàn)了很好的跟蹤效果。

表3 10種跟蹤算法在OTB2015上精確率得分Table 3 Accuracy scores of 10 tracking algorithms on OTB2015

表4 10種跟蹤算法在OTB2015上成功率得分Table 4 Success rate scores of 10 tracking algorithms on OTB2015

5 結(jié)束語(yǔ)

本文提出一種基于密度峰值聚類的全尺度相關(guān)濾波跟蹤方法，通過(guò)聚類模型代替圖像金字塔進(jìn)行尺度預(yù)測(cè)，先使用單尺度相關(guān)濾波器對(duì)目標(biāo)進(jìn)行粗定位，再根據(jù)聚類模型對(duì)目標(biāo)中的樣本點(diǎn)進(jìn)行前景背景預(yù)測(cè)，以得到尺度置信度最高的預(yù)測(cè)框。在OTB2013、OTB2015和DTB70共三個(gè)數(shù)據(jù)集上進(jìn)行的大量對(duì)比實(shí)驗(yàn)，本文算法在BACF的基礎(chǔ)上提高了跟蹤速度，并且相較于BACF，本文方法的平均成功率和平均精確率有較大提升。下一步可以考慮引入深度特征以提高跟蹤精度與成功率，并且可以考慮結(jié)合卡爾曼濾波方法為搜索區(qū)域計(jì)算空間正則項(xiàng)，實(shí)現(xiàn)更好的跟蹤效果與魯棒性。