黃育明 ,戴奕婧,李麗惠,何 博,嚴(yán)嘉怡,陳振雕,陳穎頻,3

(1.閩南師范大學(xué)物理與信息工程學(xué)院,福建 漳州 363000;2.漳州職業(yè)技術(shù)學(xué)院電子信息學(xué)院,福建 漳州 363000;3.電子科技大學(xué)數(shù)學(xué)科學(xué)學(xué)院,四川 成都 611731)

0 引言

目標(biāo)跟蹤技術(shù)已廣泛應(yīng)用于相機(jī)跟蹤聚焦、無人機(jī)的目標(biāo)跟蹤、人臉識別跟蹤、人物整體跟蹤、運(yùn)行車輛跟蹤和交互系統(tǒng)中的動作跟蹤等場景,是計(jì)算機(jī)視覺領(lǐng)域的熱點(diǎn)之一。

目標(biāo)跟蹤有基于生成式和判別式模型的方法。生成式模型中,跟蹤算法以上一幀目標(biāo)框的幾何狀態(tài)為參考產(chǎn)生大量隨機(jī)樣本,與目標(biāo)模板最相似的樣本被當(dāng)作跟蹤結(jié)果[1-2];而判別式模型則通過訓(xùn)練分類器來區(qū)分目標(biāo)和背景,響應(yīng)最高的候選樣本被選作預(yù)測結(jié)果[3]。自Bolme等人首次提出最小輸出平方和[4](MOSSE)濾波器算法以來,判別類相關(guān)濾波目標(biāo)跟蹤算法取得了廣泛的發(fā)展。文獻(xiàn)[5]利用核檢測技術(shù)與核方法提出一種基于循環(huán)跟蹤結(jié)構(gòu)的跟蹤算法,這是由基于自適應(yīng)相關(guān)濾波器的視覺跟蹤[4]方法改進(jìn)而來的。此后,文獻(xiàn)[6]又提出基于方向梯度直方圖[7](HOG)特征的核相關(guān)濾波器高速跟蹤(KCF)方法,跟蹤效果顯著提升。為充分挖掘背景信息,文獻(xiàn)[8]提出上下文感知跟蹤濾波器(CACF),首次提出上下文感知的概念,將背景負(fù)樣本引入相關(guān)濾波能量泛函并將其回歸為0,有效提高相關(guān)濾波判別背景與目標(biāo)的能力。除了對樣本進(jìn)行處理,有學(xué)者將樣本的手工特征和深度特征進(jìn)行視覺融合以精確地描述目標(biāo)及背景的外觀表示[9-10]。雖然上述工作實(shí)現(xiàn)了很好的跟蹤效果,但由于相關(guān)濾波的樣本采樣以周期性邊界為假設(shè)前提,導(dǎo)致出現(xiàn)邊界上不連續(xù)的情況,即邊界效應(yīng)。針對這一問題,文獻(xiàn)[11]提出空間正則化判別相關(guān)濾波器(SRDCF),通過對空間濾波器加權(quán),提高目標(biāo)區(qū)域?yàn)V波器系數(shù)的幅度,以此解決周期性邊界引起的邊界效應(yīng)。在此基礎(chǔ)上,文獻(xiàn)[10]提出時空正則化相關(guān)濾波器(STRCF),增加了時間一致性,有效應(yīng)對形變挑戰(zhàn)。文獻(xiàn)[12]提出Staple算法,將顏色信息和HOG特征融合,一定程度上緩解了邊界效應(yīng)。文獻(xiàn)[13]提出背景感知相關(guān)濾波器(BACF),提出樣本裁剪的思路,全域搜索樣本,提高正負(fù)樣本置信度,并將高置信度正負(fù)樣本一起引入到相關(guān)濾波器的學(xué)習(xí)與檢測中,進(jìn)一步提高濾波器判別背景與目標(biāo)的能力。尺度估計(jì)是目標(biāo)跟蹤框架中一個重要組成部分,文獻(xiàn)[14]提出多特征尺度自適應(yīng)跟蹤器(SAMF),對輸入樣本做多尺度變換,形成尺度樣本池,再用相關(guān)濾波器對尺度樣本池的樣本逐一濾波,取最大響應(yīng)對應(yīng)的尺度作為最優(yōu)尺度,解決KCF尺度不變的缺陷。文獻(xiàn)[15]提出空間多尺度一維濾波器(DSST),避免SAMF中的二維圖像相關(guān)操作,進(jìn)一步提高了尺度搜索效率。文獻(xiàn)[16]提出馬爾可夫隨機(jī)場(MRF)模型,通過局部分塊的相對位置與初始幀局部分塊的相對位置的比例來估計(jì)尺度。文獻(xiàn)[17]提出局部-全局相關(guān)濾波器(LGCF),利用局部分塊中心點(diǎn)的距離自適應(yīng)地估計(jì)對象的比例,同時解決局部遮擋問題。針對遮擋問題,文獻(xiàn)[18]提出異常抑制相關(guān)濾波器(ARCF),在BACF的基礎(chǔ)上增加了相鄰濾波器響應(yīng)的移位峰值能量正則約束,有效應(yīng)對遮擋、變形等場景的挑戰(zhàn)。目標(biāo)跟蹤中,對目標(biāo)及背景的外觀變化進(jìn)行實(shí)時更新濾波器至關(guān)重要。目標(biāo)被遮擋時采集到的樣本會污染濾波器導(dǎo)致跟蹤偏移[19],應(yīng)對方法是設(shè)計(jì)一些標(biāo)準(zhǔn)來評估跟蹤結(jié)果的可靠性,去除不可靠樣本或不更新濾波器。這些標(biāo)準(zhǔn)包括置信度得分[20]、最大響應(yīng)[21]、峰值旁瓣比[21]、平均峰值能量[22]。

綜上所述,基于相關(guān)濾波框架的目標(biāo)跟蹤算法發(fā)展十分迅速,也解決了一些特定的問題,但是,大多跟蹤算法在應(yīng)對目標(biāo)受遮擋場景下的跟蹤效果較為一般。例如:Staple算法由于缺少上下文樣本信息,未能有效區(qū)分遮擋物與目標(biāo),使得目標(biāo)在遮擋場景下目標(biāo)模板與濾波器被遮擋物污染,最終導(dǎo)致跟蹤失敗;此外,Staple算法在尺度變化和抗遮擋場景下的魯棒性不足,性能還存在提升空間。針對上述問題,本文提出一種基于多模態(tài)模板的抗遮擋Staple跟蹤算法。

1 Staple算法基本原理

1.1 相關(guān)濾波跟蹤算法

1.1.1單通道相關(guān)濾波

首先介紹第一種形式,相關(guān)形式為

(1)

式(1)中,x∈HW×1表示目標(biāo)樣本加權(quán)余弦窗后的列向量形式,H和W分別表示目標(biāo)的長和寬所占像素的大小,h∈HW×1表示復(fù)數(shù)域的濾波器,y∈HW×1表示相關(guān)響應(yīng)值,其矩陣形式mat(y)為二維高斯窗函數(shù),★表示相關(guān)算子,mat表示向量矩陣化算子,vec表示矩陣向量化算子,λ表示平衡參數(shù),用于平衡保真項(xiàng)與嶺回歸正則項(xiàng)。本文為從頻域上直接計(jì)算相關(guān)濾波器,將式(1)寫成卷積形式為

(2)

根據(jù)卷積定理,將式(2)寫成頻域形式:

式(4)中,除號表示點(diǎn)對點(diǎn)相除算子。

(5)

對應(yīng)的空域響應(yīng)為

式(6)中,F-1表示傅里葉逆變換,real表示取實(shí)部算子。

1.1.2多通道相關(guān)濾波

若抽取HOG[7]特征、CN[23]特征、灰度特征、CNN[24]特征等多通道特征(假定通道數(shù)為L)時,濾波器空域多通道回歸目標(biāo)函數(shù)則應(yīng)改為

(7)

其頻域表達(dá)式為

(8)

(9)

(10)

1.2 Staple算法簡介

Staple算法提出了一個基于相關(guān)濾波與顏色直方圖的特征互補(bǔ)響應(yīng)計(jì)算方法,如式(11)所示:

r(z)=γcfrcf(z)+γhistrhist(z)。

(11)

模板得分rcf(z)是基于HOG特征的相關(guān)濾波器的跟蹤響應(yīng)圖,直方圖得分rhist(z)是基于顏色特征的直方圖,定義為

(12)

式(12)中,ψ[u]=ek(u)∈J×1是一個獨(dú)熱編碼的向量(該向量在位置k(u)的數(shù)值為1,其他位置數(shù)值為0),表示對樣本z中的像素點(diǎn)u∈H所提取的顏色特征,H表示樣本z所在區(qū)域,β∈J×1表示顏色直方圖的回歸濾波器。與相關(guān)濾波響應(yīng)不同,顏色直方圖對目標(biāo)圖像的空間排列不敏感。

最后將兩個得分加權(quán)求和,設(shè)置γcf=1-α和γhist=α,其中α是人為選取的參數(shù)。

1.2.1相關(guān)濾波器求解

相關(guān)濾波的目標(biāo)函數(shù)與1.1.2節(jié)一致,濾波器更新可采取在線更新方式,將式(9)改寫為

(13)

1.2.2顏色直方圖的濾波器求解

Staple算法在對象O和背景區(qū)域B上對每個像素的顏色特征進(jìn)行線性回歸,其目標(biāo)函數(shù)為

(14)

式(14)中,Nj[A]=|{u∈A:k(u)=j}|為區(qū)域A中顏色特征為j的像素?cái)?shù)。式(14)的解為

ρj(A)=Nj(A)/|A|是特征為j的像素占目標(biāo)區(qū)域像素的比例,其中顏色特征j=1,…,J。

在線版本中,通過式(16)更新模型參數(shù):

2 基于多模態(tài)模板的Staple跟蹤算法

Staple算法用余弦窗加權(quán)信號,導(dǎo)致相關(guān)濾波器學(xué)習(xí)到的背景信息較少,當(dāng)目標(biāo)發(fā)生形變或者背景干擾的時候容易產(chǎn)生跟蹤漂移,同時影響外觀模型的更新,進(jìn)而導(dǎo)致其尺度自適應(yīng)跟蹤功能受到影響;此外,Staple算法在大面積遮擋的情況下無法持續(xù)穩(wěn)定地跟蹤目標(biāo)。因此,本文提出一種基于多模態(tài)模板池的抗遮擋策略。

2.1 上下文感知相關(guān)濾波跟蹤

圖1 引入上下文局部塊示意圖Fig.1 The schematic diagram for the context block

基于此,本文提出模型擬學(xué)習(xí)一個濾波器h,提高它對含目標(biāo)斑塊的響應(yīng)值。不含目標(biāo)上下文斑塊的響應(yīng)值則置零。通過向標(biāo)準(zhǔn)公式添加上下文補(bǔ)丁作為正則項(xiàng)來實(shí)現(xiàn)這一點(diǎn),由參數(shù)λ2控制,最終目標(biāo)塊回歸到y(tǒng),上下文感知模型如下:

(17)

式(17)中,K值為4,xCk表示樣本x左、右、上、下毗鄰的與原樣本大小一致的上下文感知樣本,λ1,λ2是模型正則化參數(shù)。

將式(17)改寫為頻域表達(dá)式,即

(18)

(19)

對于L個多通道特征,則濾波器應(yīng)修正為

(20)

式(20)中,xl表示樣本的第l個特征,xCk,l表示xCk的第l個特征。

對于新樣本z,其頻域相關(guān)濾波響應(yīng)為

(21)

接著進(jìn)行反傅里葉變換即可獲得空域上樣本的響應(yīng)值,即

2.2 尺度自適應(yīng)濾波器設(shè)計(jì)

式 （5）～（7） 中，m代表 “一帶一路” 沿線各國，j代表出口國， t代表年份， β1，…，β6是待估參數(shù)，εt為隨機(jī)誤差項(xiàng)。被解釋變量 EMm，t、Qm，t和 Pm，t分別代表出口擴(kuò)展邊際、 數(shù)量邊際和價格邊際，通過上文介紹的三元邊際分解公式 （1）～（4） 計(jì)算得到。

圖2 尺度自適應(yīng)濾波器示意圖Fig.2 Schematic diagram of scale adaptive filter

尺度自適應(yīng)濾波器的目標(biāo)函數(shù)設(shè)計(jì)為

(23)

式(23)中,ys∈1×N表示尺度訓(xùn)練標(biāo)簽,其元素定義為表示期望響應(yīng)高斯函數(shù)的標(biāo)準(zhǔn)差;表示第d個通道尺度濾波器的反折信號。

將式(23)改寫為頻域表達(dá)式,即

(24)

(25)

對于新樣本z,為確定其最優(yōu)尺度,也需對樣本進(jìn)行金字塔式采樣,獲取N個尺度的面片,然后獲取多尺度特征矩陣Fz∈D×N,類似地,將該矩陣按行做分塊處理,得則其尺度響應(yīng)為

(26)

對式(26)進(jìn)行反傅里葉變換即可獲得尺度相關(guān)響應(yīng):

(27)

然后選取尺度響應(yīng)最大的位置所對應(yīng)的尺度作為目標(biāo)最終尺度。

2.3 基于多模態(tài)模板池的抗遮擋策略

在目標(biāo)跟蹤過程中,模板更新策略至關(guān)重要,若不更新模板則無法及時感知目標(biāo)的表觀變化。當(dāng)遇到遮擋或運(yùn)動模糊等情況仍無原則地更新模板則會引入無效的表觀變化。由于Staple算法采用的是每一幀均更新的策略,導(dǎo)致其在遇到強(qiáng)烈遮擋的情況下容易產(chǎn)生漂移。

為解決遮擋問題,本文建立目標(biāo)的歷史多模態(tài)目標(biāo)池,存取目標(biāo)在歷史上的不同外觀面片。當(dāng)新的一幀目標(biāo)圖像出現(xiàn)時,首先利用相關(guān)濾波器獲取響應(yīng)最大的樣本,對該候選樣本提取HOG特征,將其與歷史多模態(tài)資源池樣本進(jìn)行比對。如與歷史上某個時間的硬陽性樣本相似度超過設(shè)定的閾值,則認(rèn)為此候選樣本可靠,并將對應(yīng)的面片放入多模態(tài)目標(biāo)池;反之,若該候選樣本與歷史上各硬陽性樣本相似度都很低,則判定此樣本為不可靠樣本,此時應(yīng)避免引入該候選樣本對濾波器進(jìn)行更新。

下面簡要介紹利用多模態(tài)目標(biāo)池相似性的抗遮擋方法。

首先構(gòu)建多模態(tài)目標(biāo)池,對于第一幀而言,因?yàn)闆]有歷史數(shù)據(jù),所以將第一幀的面片填滿多模態(tài)目標(biāo)池,即tn=x(1)(n=1,2,…,N),其中x(1)表示第一幀面片,tn表示多模態(tài)目標(biāo)池T的第n個列向量。從第二幀開始,假定相關(guān)響應(yīng)獲取的最優(yōu)樣本的面片為b,提取T(:,n)與b的HOG特征,如式(28)—式(29)所示:

式(28)中,HOG表示方向梯度直方圖提取算子。

根據(jù)下式可判斷目標(biāo)是否被遮擋:

max(cos(htn,hb))>τ,

(30)

式(30)中,τ是一個取值范圍為[0,1]的閾值。當(dāng)max(cos(htn,hb))大于所設(shè)閾值時,表明目標(biāo)未被遮擋,此時可將b更新到目標(biāo)模板池中,并淘汰模板池中第2到第N個模板中與b相似度最低的面片;當(dāng)式(30)不成立時,則認(rèn)為該樣本被遮擋,不將b更新到歷史多模態(tài)模板池,且不更新前景、背景顏色直方圖以及濾波器。

3 實(shí)驗(yàn)驗(yàn)證

本文采用OTB100[25]數(shù)據(jù)集測試提出的算法。首先進(jìn)行三個消融實(shí)驗(yàn):有無背景感知模型、有無抗遮擋功能和有無尺度自適應(yīng)功能對比實(shí)驗(yàn),以便直觀地了解改進(jìn)算法的性能;然后進(jìn)行跟蹤速度對比實(shí)驗(yàn),直觀了解各改進(jìn)策略對跟蹤速度的影響;最后將提出方法與其他先進(jìn)跟蹤器做定量對比實(shí)驗(yàn),進(jìn)一步驗(yàn)證本文算法的優(yōu)越性。

3.1 消融實(shí)驗(yàn)

3.1.1有無背景感知模型對比實(shí)驗(yàn)

為了驗(yàn)證加入背景感知模型是否會對跟蹤結(jié)果產(chǎn)生影響,本節(jié)通過對有背景感知的Staple-CA算法和無背景感知的Staple算法進(jìn)行實(shí)驗(yàn),如圖3所示。BlurCar1視頻序列的第272幀目標(biāo)背景未發(fā)生變化時,代表有背景感知模型的Staple-CA算法的實(shí)線跟蹤框和代表無背景感知模型的Staple算法的虛線跟蹤框都可以對目標(biāo)實(shí)現(xiàn)較好的跟蹤。

第764幀時,目標(biāo)背景發(fā)生變化,虛線跟蹤框產(chǎn)生輕微漂移,實(shí)線跟蹤框依然能夠很好地跟蹤。第770幀時,鏡頭晃動劇烈,虛線跟蹤框漂移量變大,實(shí)線跟蹤框?qū)δ繕?biāo)跟蹤精準(zhǔn)。第817幀,目標(biāo)在經(jīng)歷了背景劇烈變化及快速運(yùn)動后,虛線跟蹤框已無法跟蹤目標(biāo),實(shí)線跟蹤框?qū)δ繕?biāo)跟蹤依然準(zhǔn)確。

圖3 有無背景感知模型對比實(shí)驗(yàn)Fig.3 Comparison experiment with and without background perception model

如表1所示,有背景感知的Staple-CA算法的平均中心點(diǎn)誤差為4.92像素,平均跟蹤重疊率為0.78,較沒有背景感知的Staple算法平均中心點(diǎn)誤差降低了51.41像素,平均跟蹤重疊率提升了0.25。這說明有背景感知功能的Staple-CA算法能夠在背景變化及目標(biāo)快速運(yùn)動的場景下實(shí)現(xiàn)跟蹤。

表1 有無背景感知模型性能指標(biāo)對比Tab.1 Comparison of data with and without background perception models

3.1.2有無抗遮擋功能對比實(shí)驗(yàn)

為了驗(yàn)證抗遮擋功能的有效性,對比有抗遮擋功能的Staple-CA-AO算法與沒有抗遮擋功能的Staple-CA算法,如圖4所示。

Jogging-1視頻序列的第25幀目標(biāo)沒有受到遮擋時,代表無抗遮擋功能的Staple-CA算法的虛線跟蹤框和代表有抗遮擋功能的Staple-CA-AO算法的實(shí)線跟蹤框都可以很好地對目標(biāo)進(jìn)行跟蹤。第75到80幀間,目標(biāo)受到強(qiáng)烈遮擋后重新出現(xiàn)在視頻畫面中,虛線跟蹤框無法捕捉到目標(biāo),而實(shí)線跟蹤框依然可以準(zhǔn)確地跟蹤目標(biāo)。第138幀,受之前遮擋的影響,虛線跟蹤框仍無法跟蹤到目標(biāo),而實(shí)線跟蹤框依然準(zhǔn)確地跟蹤目標(biāo)。

圖4 有無抗遮擋功能對比實(shí)驗(yàn)Fig.4 Comparison experiment with or without anti-occlusion function

如表2所示,有抗遮擋功能的Staple-CA-AO算法的平均中心點(diǎn)誤差為6.41像素,平均跟蹤重疊率為0.76,較無抗遮擋功能的Staple-CA算法平均中心點(diǎn)誤差降低了84.68像素,平均跟蹤重疊率提升了0.59。這說明有抗遮擋功能的Staple-CA-AO算法能夠在目標(biāo)受到強(qiáng)烈遮擋后重新出現(xiàn)的場景下實(shí)現(xiàn)跟蹤。

表2 有無抗遮擋功能性能指標(biāo)對比Tab.2 Comparison of data with and without anti-occlusion function

3.1.3有無尺度自適應(yīng)功能對比實(shí)驗(yàn)

為了驗(yàn)證尺度自適應(yīng)功能的有效性,對是否有尺度自適應(yīng)功能的Staple-CA算法進(jìn)行實(shí)驗(yàn),如圖5所示。

Car4視頻序列的第28幀目標(biāo)尺度沒有變化時,代表無尺度自適應(yīng)功能的Staple-CA算法的虛線跟蹤框和代表有尺度自適應(yīng)功能的Staple-CA算法的實(shí)線跟蹤框的尺寸沒有區(qū)別。第131、312和578幀中,目標(biāo)尺度經(jīng)歷了先變小后變大的過程,虛線跟蹤框?qū)δ繕?biāo)進(jìn)行跟蹤時尺寸始終為同一大小,而實(shí)線跟蹤框則隨著目標(biāo)尺度的變化自適應(yīng)地調(diào)整跟蹤框大小。

圖5 有無尺度自適應(yīng)模塊對比實(shí)驗(yàn)Fig.5 Comparison experiment of a scale module

如表3所示,有尺度自適應(yīng)功能的Staple-CA算法的平均中心點(diǎn)誤差為2.13像素,平均跟蹤重疊率為0.88,較無尺度自適應(yīng)功能的Staple-CA算法平均中心點(diǎn)誤差降低了3.49個像素點(diǎn),平均跟蹤重疊率提高0.39,這說明尺度自適應(yīng)功能可對目標(biāo)實(shí)現(xiàn)更精準(zhǔn)的跟蹤。

表3 有無尺度自適應(yīng)模塊性能指標(biāo)對比Tab.3 Comparison of data with and without the scale adaptive module (SAM)

3.2 跟蹤速度比較與分析

跟蹤速度是目標(biāo)跟蹤中的一個重要因素,因此,為了直觀展示幾種改進(jìn)策略的時間復(fù)雜度,對比了有無尺度自適應(yīng)功能、有無背景感知功能及有無抗遮擋功能在部分視頻中的幀率。速度測試是在Intel Core i7-4720HQ 筆記本CPU上進(jìn)行的。

如表4所示,沒有尺度自適應(yīng)功能的Staple算法運(yùn)行速度最快,在測試的視頻中平均幀率達(dá)到了76.37 幀/s,較有尺度自適應(yīng)功能的Staple算法平均幀率高26.51 幀/s。有背景感知功能的Staple-CA算法的平均幀率為33.54 幀/s,較沒有背景感知功能的Staple算法的平均幀率低16.32 幀/s。有抗遮擋功能的Staple-CA-AO算法比沒有抗遮擋功能的Staple-CA算法平均幀率低12.33 幀/s。

表4 所提出的改進(jìn)策略在一些視頻中的幀率Tab.4 Frame rates of the proposed improvement strategyin some videos

3.3 定量分析

通過與其他9種先進(jìn)算法CSR-DCF[26]、SRDCF[11]、LCT2[27]、DCF-CA[8]、KCF[6]、DSST[15]、STRUCK[28]、Staple[12]和Staple-CA[8]在OTB數(shù)據(jù)集上進(jìn)行不同場景跟蹤性能的對比。

圖6展示了在OTB100數(shù)據(jù)集中排名前8的算法精確度和成功率圖,圖中右上角顯示算法排名情況。Staple-CA-AO的精確度和成功率均排名第一,達(dá)到了83.4%和75.1%。

圖6 算法的精確度和成功率綜合比對圖Fig.6 A comprehensive comparison chart of the accuracy and success rate of the algorithm

表5給出了各跟蹤算法在不同視頻序列中取得的平均跟蹤重疊率,其中數(shù)值越大表明跟蹤性能越好。本文算法Staple-CA-AO在Bird2、David3、Girl2、KiteSurf、Skiing、Subway、Tiger1序列中的平均跟蹤重疊率分別為0.83、0.78、0.74、0.71、0.41、0.76、0.74,均高于其他9個主流算法,總平均值也達(dá)到0.75,在10個算法中排名第一。

表6給出了各跟蹤算法在不同視頻序列中取得的平均中心點(diǎn)誤差,其數(shù)值越小表明與目標(biāo)真實(shí)位置的誤差越小。本文算法Staple-CA-AO在Bird2、Deer、Girl2、KiteSurf、Skiing、Subway、Tiger1視頻序列的中心點(diǎn)誤差分別為6.08、3.97、7.96、2.85、3.83、2.56、8.44像素,高于其他9個主流算法,總平均值像素誤差為5.05像素,在10個算法中排名第一。其中Girl2序列在存在尺度變化、遮擋、形變、運(yùn)動模糊、平面外旋轉(zhuǎn)等多因素的影響下依然可以對目標(biāo)很好地跟蹤,而且在比對算法中也是跟蹤效果最好的。

表5 各跟蹤算法在一些視頻中的平均跟蹤重疊率Tab.5 Average tracking overlap rates for each tracking algorithm in some videos

續(xù)表

表6 各跟蹤算法在一些視頻中的平均中心點(diǎn)誤差Tab.6 Average center point error of each tracking algorithm in some videos

4 結(jié)論

為解決Staple算法缺少上下文信息,對遮擋場景敏感的問題, 本文提出基于多模態(tài)模板池的抗遮擋Staple跟蹤算法,該算法主要包括以下幾個方面優(yōu)勢:

1) 引入背景感知模型,顯式地學(xué)習(xí)目標(biāo)周圍的背景信息,將該模型與Staple框架進(jìn)行結(jié)合,有效應(yīng)對快速運(yùn)動、背景散亂等挑戰(zhàn)下跟蹤效果不佳的問題。

2) 使用多通道方向梯度直方圖特征訓(xùn)練用于定位的位置相關(guān)濾波器和用于尺度自適應(yīng)調(diào)整的尺度相關(guān)濾波器,同時引入顏色直方圖特征,達(dá)到多視覺、多幾何尺寸特征融合的目的,以應(yīng)對尺度變化、快速運(yùn)動、目標(biāo)形變等場景。

3) 采用多模態(tài)更新模板的策略,通過設(shè)置閾值改變原本算法中每一幀均更新模板的方式,篩選出與第一幀中基礎(chǔ)模型相似度更高的樣本,增加跟蹤樣本的可靠度。