王向軍，郝忻，王霖

(1.天津大學(xué)精密測試技術(shù)及儀器國家重點實驗室，天津 300072；2.天津大學(xué)微光機電系統(tǒng)技術(shù)教育部重點實驗室，天津 300072)

近年來，隨著科學(xué)技術(shù)的不斷發(fā)展，計算機視覺已成為一個熱門的領(lǐng)域。其中，目標跟蹤作為計算機視覺的一個重要研究方向[1]，也受到了越來越多的關(guān)注。目前，目標跟蹤技術(shù)在監(jiān)控安防、無人駕駛和增強現(xiàn)實等不同領(lǐng)域都有了廣泛的應(yīng)用[2－3]。目標跟蹤任務(wù)包括單目標跟蹤和多目標跟蹤，單目標跟蹤(Single Object Tracking，SOT)，是指在視頻的某一幀中框選出需要跟蹤目標的矩形坐標框，并在后續(xù)的視頻序列中，通過某種相似度計算，尋找并給出跟蹤對象在后續(xù)幀序列中的信息，包括位置和尺度等信息。

目前目標跟蹤算法的主要方向有兩類:生成式目標跟蹤算法和判別式目標跟蹤算法，其中判別式目標跟蹤算法又可以細分為相關(guān)濾波類目標跟蹤算法和深度學(xué)習(xí)類目標跟蹤算法。相關(guān)濾波類目標跟蹤通過對第一幀框選的模板進行建模，利用“相關(guān)性”[4]計算得到目標的跟蹤信息，設(shè)計并訓(xùn)練出一種能鑒別搜索區(qū)域中目標與背景的分類器。然而隨著近年來機器學(xué)習(xí)的不斷發(fā)展，深度學(xué)習(xí)也逐漸應(yīng)用于目標跟蹤領(lǐng)域，算法在強大的GPU 支持下完成離線訓(xùn)練和在線跟蹤。2016 年，Bertinetto 等[5]提出了SiamFC(Fully-Convolutional Siamese Networks)算法，利用孿生網(wǎng)絡(luò)(Siamese Network)提取模板和搜索區(qū)域圖像特征，再經(jīng)過互相關(guān)方法和后端網(wǎng)絡(luò)得到輸出響應(yīng)，成功將孿生網(wǎng)絡(luò)與深度學(xué)習(xí)目標跟蹤相結(jié)合；2018 年Li 等[6]將檢測網(wǎng)絡(luò)中的區(qū)域推薦網(wǎng)絡(luò)(Region Proposal Network，RPN)引入到了目標跟蹤領(lǐng)域，提出的SiamRPN[7]算法分別對前背景分類和偏移回歸進行了預(yù)測，在提高尺度估計精度和效率的同時，加快了模型的收斂速度；2019 年，Li等[8]提出了SiamRPN＋＋算法，通過均勻分布的采樣方式讓目標在中心點附近進行偏移，緩解了網(wǎng)絡(luò)因為破壞了嚴格平移不變性帶來的影響，并利用深度可分離卷積進一步提升了網(wǎng)絡(luò)精度；隨著Transformer 結(jié)構(gòu)在深度學(xué)習(xí)中的流行，2021 年，Yan等[9]利用Transformer 的編碼器和解碼器具有全局感受野的優(yōu)勢來進行目標跟蹤，并輸出跟蹤框?qū)屈c的預(yù)測，在LaSOT 和GOT10K 等數(shù)據(jù)集上取得了當時最好的效果，為后續(xù)跟蹤模型提供了使用Transformer 跟蹤框架的思路。

針對跟蹤算法面對變化目標以及低分辨率場景時跟蹤性能下降的問題[10]，本文在SiamRPN＋＋算法的跟蹤結(jié)構(gòu)框架基礎(chǔ)上進行了改進，對原有的深度可分離卷積進行替換，使用了模板與搜索區(qū)域像素級特征融合的方法，并為后續(xù)輸出增加自適應(yīng)的模塊，以應(yīng)對低分辨率下小目標特征不足的問題；同時，為特征抽取網(wǎng)絡(luò)的輸出部分增加了深度特征抽取模塊；最后，設(shè)計基于時間上下文的模板更新策略，在跟蹤任務(wù)中依據(jù)判據(jù)，從歷史信息中篩選出合適的時空特征，利用跟蹤特征的相關(guān)性，提升算法在跟蹤目標不斷變化時的適應(yīng)能力和算法魯棒性。

1 基于深度像素級特征的目標跟蹤網(wǎng)絡(luò)

1.1 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計

本文跟蹤算法采用經(jīng)典孿生網(wǎng)絡(luò)的結(jié)構(gòu)，具體網(wǎng)絡(luò)結(jié)構(gòu)如圖1 所示。網(wǎng)絡(luò)的輸入有兩個，分別為參考模板z(Template)和依據(jù)上一幀目標為中心進行裁剪后的搜索區(qū)域x(Search Region)，輸入圖像經(jīng)Resnet50 骨干網(wǎng)絡(luò)提取特征后，將其中的Layer3、Layer4 和Layer5 三級特征抽取出來。經(jīng)過Neck 層將多級特征整合，再分別通過預(yù)測器分支，用來預(yù)測圖像中的前景背景類和回歸錨框偏移量，其中每個預(yù)測器中均加入了基于殘差網(wǎng)絡(luò)和拓撲結(jié)構(gòu)的特征深層提取模塊，用于提取深度語義特征信息。將模板與搜索區(qū)域特征通過像素級特征融合進行互相關(guān)計算得到響應(yīng)置信圖，最后依據(jù)預(yù)測器得到的分類響應(yīng)和回歸響應(yīng)結(jié)果計算目標前景背景及錨框偏移量。同時，為跟蹤器加入了基于時間上下文信息的模板更新策略，提升網(wǎng)絡(luò)魯棒性。

圖1 網(wǎng)絡(luò)結(jié)構(gòu)圖

1.2 像素級特征融合方法及輸出適應(yīng)模塊

為尋找模板與搜索區(qū)域之間的關(guān)聯(lián)性，進行精確定位，本文改進算法使用了像素級卷積方法[11]以替代深度可分離卷積。深度可分離卷積相較于粗樸素卷積提升了互相關(guān)操作的速度，將模板特征逐通道地與搜索區(qū)域進行卷積，降低了計算復(fù)雜度，進而提升了推理速度。但仍存在兩個問題:①為了提升計算速度，深度可分離卷積將目標特征逐通道拆分，損失了部分模板特征通道間的關(guān)聯(lián)性；②利用整個模板特征去滑窗與搜索區(qū)域特征進行匹配，鄰近的特征窗之間會產(chǎn)生相似的響應(yīng)，從而損失很多邊緣信息，造成空間信息的模糊；像素級卷積方法以模板特征中的所有通道上同一個位置的像素值為卷積核，與單個通道上整個搜索區(qū)域的特征進行互相關(guān)運算，使輸出響應(yīng)可以逐通道地編碼目標模板中每個像素點的信息，同時相較其他兩種互相關(guān)方法，輸出響應(yīng)中包含了更多搜索區(qū)域的目標邊緣和尺度信息。圖2 是三種互相關(guān)方法的示意圖。

圖2 三種互相關(guān)方法示意圖

像素級互相關(guān)計算可以用式(1)表示，其中，輸入的模板特征為z，其尺寸為b、c、hz、wz；搜索區(qū)域特征為x，尺寸為b、c、hx、wx，經(jīng)過像素級卷積f作用后，網(wǎng)絡(luò)的輸出響應(yīng)則會變成b、hz×wz、hx、wx。

像素級特征融合方法較粗樸素卷積和深度可分離卷積來說更關(guān)注模板與搜索區(qū)域間的邊緣信息等像素級細節(jié)特征，但對隱含在模板內(nèi)像素空間信息關(guān)聯(lián)性的挖掘有所降低。本文在使用像素級特征融合方法替代深度可分離卷積的同時，設(shè)計了輸出適應(yīng)模塊，在補充跟蹤器對目標全局信息關(guān)注的同時，提升維度，便于預(yù)測結(jié)果計算。模塊參考GoogLeNet的Inception[12]結(jié)構(gòu)并進行了一定的改造，設(shè)計了圖3 所示的輸出適應(yīng)結(jié)構(gòu)，網(wǎng)絡(luò)塊由兩部分組成，其中一部分是經(jīng)4×4 的卷積核將特征維度由16 直接提升到128，用來進行特征維度的粗提升；另一部分是先經(jīng)2×2 的卷積核將特征維度提升到64，然后再經(jīng)過3×3 的卷積核將特征維度提升到128，用于特征維度的精提升。最后將2 組特征響應(yīng)圖并聯(lián)拼接起來(Concatenate)，以重新聚合形成新的高維融合特征響應(yīng)。這種網(wǎng)絡(luò)塊以兩種方式對輸入的響應(yīng)圖進行特征抽取，同時讓信息通過更少的連接傳遞以達到更加稀疏的特性。

圖3 像素級特征融合的輸出適應(yīng)模塊

1.3 基于殘差網(wǎng)絡(luò)和拓撲結(jié)構(gòu)的特征深層提取

為提高跟蹤器特征抽取的性能，本文設(shè)計了基于殘差網(wǎng)絡(luò)和拓撲結(jié)構(gòu)的模塊來對骨干網(wǎng)絡(luò)輸出的三級特征進行深層挖掘。本文特征深層抽取網(wǎng)絡(luò)塊主要參考了ResNeXt[13]的設(shè)計思想，不需要人工設(shè)計復(fù)雜的Inception 結(jié)構(gòu)細節(jié)，而是每個分支都采用相同的拓撲結(jié)構(gòu)，另外在輸出結(jié)果處引入殘差部分，防止網(wǎng)絡(luò)結(jié)構(gòu)過于復(fù)雜帶來過擬合問題。其中唯一的超參數(shù)為基數(shù)(Cardinality)，來控制分組卷積組的個數(shù)，最后將結(jié)果并聯(lián)起來，以得到更深層特征的輸出。網(wǎng)絡(luò)結(jié)構(gòu)如圖4 所示。

圖4 基于殘差網(wǎng)絡(luò)和拓撲結(jié)構(gòu)的特征深層抽取模塊

網(wǎng)絡(luò)塊的主要運行邏輯為:分割－變換－合并(Split-transform-merge)，提取基礎(chǔ)算法SiamRPN＋＋的骨干網(wǎng)絡(luò)ResNet50 的Layer3、Layer4 和Layer5 的特征作為本網(wǎng)絡(luò)塊的輸入，輸入的特征維度為256維，首先輸入分別進入4 組結(jié)構(gòu)相同但參數(shù)不共享的拓撲結(jié)構(gòu)中，每條分支均完成:將輸入經(jīng)過2 次1×1的卷積核以提取深層特征，同時將特征向量由256 維降維到64，再將4 種64 維度的分支特征合并，重新獲得與輸入結(jié)構(gòu)相同的特征。最后，再將原256 維輸入作為殘差與合并后的特征進行相加操作。本文設(shè)計這種殘差結(jié)構(gòu)的目的是解決加深網(wǎng)絡(luò)可能帶來的過擬合問題，最終得到可靠的輸出響應(yīng)。

1.4 基于時間上下文信息的模板更新策略

在線目標跟蹤任務(wù)(Online)較離線目標跟蹤任務(wù)(Offline)缺少了視頻圖像序列的全局信息，在線跟蹤器很難獲得一個全局最優(yōu)解，并且在線跟蹤任務(wù)若有其中的任何一幀跟蹤丟失，跟蹤器就會產(chǎn)生巨大偏移，從而極大地影響跟蹤結(jié)果的精度。本文為充分利用在線目標跟蹤任務(wù)中包含大量目標時序信息的特點，設(shè)計使用基于時間上下文信息的模板更新策略作為更新判據(jù)，來對跟蹤器進行實時更新，更新策略流程如圖5 所示。

圖5 基于時間上下文信息的模板更新策略流程圖

基于時間上下文信息的模板更新策略執(zhí)行流程是:首先，初始化網(wǎng)絡(luò)并保存第一幀的目標模板特征；后續(xù)的視頻序列圖像依據(jù)上一幀跟蹤器推理得到的目標坐標截取搜索區(qū)域，完成跟蹤網(wǎng)絡(luò)對于本幀圖像的推理；跟蹤網(wǎng)絡(luò)經(jīng)后處理會得到預(yù)測的目標空間信息及置信度得分，模板更新策略會先對當前視頻序列幀數(shù)進行判斷，若間隔幀數(shù)超過設(shè)定閾值，這時對當前幀推理得到的目標置信度得分進行判斷:當目標此時得分大于設(shè)定閾值，說明當前目標包含了足夠特征信息且還包含很多的時間信息，可以進行更新來提升跟蹤器對后續(xù)圖像的適應(yīng)能力，以獲取更好的跟蹤結(jié)果；若得分太低，說明當前對跟蹤器進行模板更新會影響跟蹤性能，這種情況包括未達到規(guī)定更新間隔閾值，均正常進行下一幀的跟蹤。完成所有視頻序列的跟蹤后，跟蹤結(jié)束。

2 實驗及結(jié)果分析

2.1 數(shù)據(jù)準備與參數(shù)設(shè)置

本文網(wǎng)絡(luò)模型利用Pytorch 框架實現(xiàn)。模型的構(gòu)建、訓(xùn)練及推理實現(xiàn)使用一臺搭載AMD 的5800x處理器(主頻3.8GHz)、32G 內(nèi)存和一塊NVIDIA RTX 3080 顯卡的計算機。

骨干網(wǎng)絡(luò)使用經(jīng)過ImageNet 數(shù)據(jù)集訓(xùn)練后的ResNet50。跟蹤模型的訓(xùn)練使用數(shù)據(jù)集為COCO、ImageNet DET、ImageNet VID 和YouTube-Bounding-Boxes。訓(xùn)練時圖像被裁減為255×255 和127×127的尺寸，分別作為搜索區(qū)域圖像和模板圖像同時輸入網(wǎng)絡(luò)中，經(jīng)跟蹤網(wǎng)絡(luò)前向運行得到分類和回歸結(jié)果并計算損失，以反向修正網(wǎng)絡(luò)參數(shù)。

本文網(wǎng)絡(luò)訓(xùn)練時使用的優(yōu)化器(Optimization)為隨機梯度下降法(Stochastic Gradient Descent，SGD)，批次大小(Batchsize)為16，并且使用不斷變化的學(xué)習(xí)率對網(wǎng)絡(luò)的訓(xùn)練進行調(diào)整，前5 個訓(xùn)練周期使用0.001 到0.005 逐漸遞增的學(xué)習(xí)率，之后的周期學(xué)習(xí)率從0.005 指數(shù)衰減到0.000 5。

網(wǎng)絡(luò)RPN 層輸出的每個特征點給出5 個推薦錨框(Anchor Number)，輸出分類向量的維度為10，回歸向量的維數(shù)為20；骨干網(wǎng)絡(luò)為ResNet50 時，跟蹤器抽取骨干網(wǎng)絡(luò)的3、4、5 層特征進行后續(xù)回歸和分類。

為驗證本文算法的有效性，分別在2 個目標跟蹤領(lǐng)域的標準數(shù)據(jù)集VOT2018 和OTB2015 上進行了測試，并與多種優(yōu)秀算法進行了整體性能的比較，以及針對特定場景分析了本文算法較其他優(yōu)秀算法的優(yōu)勢所在。完整模型在Ubuntu 系統(tǒng)下推理運行速度為65 fps(Frame Per Second)以上。

2.2 VOT2018 實驗結(jié)果

VOT2018 公共數(shù)據(jù)集是目前用于評估在線單目標跟蹤的主流數(shù)據(jù)集之一，由60 個視頻序列組成并具有不同的挑戰(zhàn)因素。VOT 系列主要涉及三個重要的評價指標:準確性(Accuary)、魯棒性[14](Robustness)和EAO(Expected Average Overlap)。

準確性，是通過數(shù)據(jù)集來評價算法在跟蹤目標任務(wù)中跟蹤精度的指標[15]。對于單個視頻序列，用Np表示整個序列的有效幀數(shù)量，A(i)表示跟蹤器在該視頻序列上重復(fù)跟蹤N次時在第i幀的準確度，則準確性的計算如下:

式中:對于跟蹤器重復(fù)跟蹤N次視頻序列的某單幀的準確度A(i)，定義為:

式中:A(i，k)表示跟蹤器在第k次跟蹤第i幀圖像的準確率，若用Ag(i，k)表示跟蹤標注框內(nèi)的圖像像素區(qū)域，At(i，k)表示跟蹤器預(yù)測的跟蹤框內(nèi)的圖像像素區(qū)域，準確率表示為:

魯棒性，是用來評價跟蹤算法在完成跟蹤任務(wù)時穩(wěn)定性能的指標。跟蹤器的魯棒性可用跟蹤器在同一個視頻序列下重復(fù)跟蹤N次的平均魯棒性來表示:

式中:R(i)表示跟蹤器對視頻序列進行第i次重復(fù)跟蹤時跟蹤丟失的次數(shù)。當視頻序列中某一幀的標注框與跟蹤器預(yù)測框無重疊時，跟蹤丟失次數(shù)加1。

EAO，即期望平均覆蓋率，是對準確率和魯棒性的綜合評估，是VOT2018 用來評估在線單目標跟蹤算法的主要指標。

利用VOT2018 數(shù)據(jù)集對本文算法以及其他優(yōu)秀算法進行評估，得到結(jié)果如表1 所示。由表1 中數(shù)據(jù)可以發(fā)現(xiàn)，本文改進算法較基礎(chǔ)算法SiamRPN＋＋來說，EAO 值由0.414 提升到了0.436，提升了5.31%；準確率由0.6 提升到了0.605，提升了0.83%；魯棒性由0.234 降低到了0.225，降低了3.85%。相較于UPDT來說，本文算法雖然在算法魯棒性方面不如UPDT，上升了0.041，但在算法精度方面提升明顯，比其0.536的準確率高了12.87%，且EAO 值也比UPDT 的0.378高了0.058，提升了15.34%。圖6 中所示準確率作為橫軸，魯棒性作為縱軸時，將各算法的性能更明確地繪制出來?？梢园l(fā)現(xiàn)，本文算法在VOT2018 評價中取得了最優(yōu)的準確率和EAO 值，以及不錯的魯棒性，并且本文算法能在NVIDIA RTX 3080 顯卡上運行達到65 幀/s 以上的速度。

表1 VOT2018 數(shù)據(jù)集各算法結(jié)果對比

圖6 VOT2018 數(shù)據(jù)集各算法魯棒性和準確性

2.3 OTB100 實驗結(jié)果

OTB100 數(shù)據(jù)集包含有100 個富有挑戰(zhàn)性的視頻序列，這些視頻序列被官方分為11 個標注屬性，包括快速運動(Fast Motion，F(xiàn)M)、背景雜波(Background Variation，BV)、運動模糊(Motion Blur，MB)、目標形變(Deformation，DEF)、光照變 化(Illumination Variation，IV)、平面內(nèi)旋轉(zhuǎn)(In-Plane Rotation，IPR)、低分辨率(Low Resolution，LR)、目標遮擋(Occlusion，OCC)、平面外旋轉(zhuǎn)(Out-of-Plane Rotation，OPR)、目標超出視野(Out-of-View，OV)、尺度變化(Scale Variation，SV)。

本文選擇OTB100 測試數(shù)據(jù)集對算法性能進行評價，并與相關(guān)濾波算法CSK、VTD、STRUCK 和深度學(xué)習(xí) 類算法 SiamFC、SiamRPN、SiamDW、DaSiamRPN 以及基礎(chǔ)算法SiamRPN＋＋進行對比實驗。9 種算法的精確率和成功率對比如圖7 所示。每種算法在該屬性下的評估性能指標標在中括號中。本文算法精確率為91.4%，成功率為71.7%，與基礎(chǔ)算法SiamRPN＋＋相比，精確率提升了3.28%，成功率提升了5.13%。

圖7 OTB100 數(shù)據(jù)集各算法精確率和成功率

針對幾種特殊情況，對算法有效性進行分析:

①尺度變化(SV):本文算法在標注為尺度變化的數(shù)據(jù)集上精確率為91.7%，成功率為72.9%，高于基礎(chǔ)算法精確率3.26%，成功率6.73%；表2 和表3中統(tǒng)計了OTB100 數(shù)據(jù)集上幾種算法在標注為尺度變化的典型視頻序列的精確率和成功率，其中波浪線表示幾種算法中的指標最優(yōu)，雙下劃線表示指標排名第二，單下劃線表示指標第三。

表2 OTB100 數(shù)據(jù)集各算法成功率對比

表3 OTB100 數(shù)據(jù)集各算法精確率對比

本文算法在目標尺度發(fā)生變化時仍能較為準確地進行跟蹤，在幾個視頻序列中精確率和成功率都位居第一第二位。圖8 中的測試序列是一位行人在過馬路的過程，目標周圍有汽車和人的運動，同時場景由近及遠再到近處，跟蹤任務(wù)包括了遮擋、相似物干擾和尺度變化等影響因素，本文改進后算法的精確率和正確率均為第一，主要原因是利用基于時間上下文信息的模板更新策略在復(fù)雜場景下目標尺度發(fā)生變化時，及時對跟蹤器的跟蹤模板進行調(diào)整以實現(xiàn)了更好跟蹤。

圖8 目標可視化跟蹤結(jié)果(目標尺度變化)

②低分辨率(LR):在OTB100 數(shù)據(jù)集標注為低分辨率的測試序列中，本文改進算法較基礎(chǔ)算法的準確率和成功率分別提高了2.75%和0.2%。低分辨率場景是當搜索區(qū)域中目標的圖像特征較少時，以考驗算法的跟蹤性能，本文改進算法使用了像素級互相關(guān)方法以及基于殘差結(jié)構(gòu)和拓撲網(wǎng)絡(luò)的特征深層提取，對比基礎(chǔ)算法SiamRPN＋＋，在有限的骨干網(wǎng)絡(luò)特征中提取到了更深層的語義信息，輔助網(wǎng)絡(luò)的跟蹤。如圖9 中為RedTeam 跟蹤序列，視頻序列為一輛汽車在遠方道路行駛，汽車不斷由遠到近，再由近到遠，目標像素最小為13×7，本文改進算法較其他算法有更為良好的跟蹤表現(xiàn)。

圖9 目標可視化跟蹤結(jié)果(低分辨率)

2.4 消融實驗結(jié)果

為比較改進算法每一部分在整體跟蹤模型中的作用，本文在VOT2018 數(shù)據(jù)集上進行了消融實驗。

如表4 所示，當像素級特征融合及輸出適應(yīng)網(wǎng)絡(luò)塊單獨作用于基礎(chǔ)算法時，EAO 提升2.86%；當基于殘差網(wǎng)絡(luò)和拓撲結(jié)構(gòu)的特征深層提取網(wǎng)絡(luò)塊單獨作用于基礎(chǔ)算法時，EAO 提升1.27%；而當兩者結(jié)合作用時，算法EAO 提升為4.35%，高于兩種方案的單獨作用，說明像素級特征融合更適合作用于更深層的語義信息，并且殘差結(jié)構(gòu)在保留了原特征的同時，很好地避免了過擬合的問題；當基于時間上下文信息的模板更新策略加入時，跟蹤器充分結(jié)合了空間與時間的信息，跟蹤EAO 達到最高0.436。與未添加時間信息的跟蹤器相比，EAO 提升了0.004，提升了0.93%。

表4 VOT2018 數(shù)據(jù)集上消融實驗結(jié)果

為更為直觀地展現(xiàn)改進方法的有效性，將各改進方法與基礎(chǔ)算法的不同組合得到的輸出響應(yīng)圖進行可視化。如圖10 所示，不加入時序信息更新策略的改進算法可明顯降低基礎(chǔ)算法中噪點帶來的錯誤目標預(yù)測估計，且加入更新策略后，目標更加突出，很好地突出了目標而降低了其他噪聲的影響。

圖10 輸出響應(yīng)圖可視化結(jié)果

3 結(jié)論

本文對復(fù)雜場景中的目標跟蹤算法進行了研究，并針對目標尺度變化和低分辨率的場景進行了三點主要的算法改進:本文將深度可分離卷積替換為像素級卷積，將模板和搜索區(qū)域的多層特征進行融合計算，以得到更為準確的輸出響應(yīng)；本文在原網(wǎng)絡(luò)提取到的多層特征基礎(chǔ)上，加入了基于殘差網(wǎng)絡(luò)和拓撲結(jié)構(gòu)的模塊以對圖像特征進行深度挖掘；本文通過對跟蹤器歷史信息進行判別以更新目標模板，來提高改進算法的魯棒性。在VOT2018 數(shù)據(jù)集上，本文改進算法比基礎(chǔ)算法的EAO 值高5.31%，準確率提高到了0.605，魯棒性為0.225；在OTB100 數(shù)據(jù)集上，本文算法精確度為91.4%，成功率為71.7%，與基礎(chǔ)算法相比，精確度提升了3.28%，成功率提升了5.13%。