王亞婷

摘要：與視覺(jué)目標(biāo)跟蹤不同，熱紅外目標(biāo)跟蹤可以在完全黑暗中跟蹤目標(biāo)對(duì)象。因此，它具有廣泛的應(yīng)用，例如夜間的救援和視頻監(jiān)控。然而，該領(lǐng)域的研究很少，主要是因?yàn)闊峒t外圖像具有雜波干擾嚴(yán)重、信噪比低等特點(diǎn)，這些特點(diǎn)使得常規(guī)方法難以獲得目標(biāo)的特征。考慮到卷積神經(jīng)網(wǎng)絡(luò)的強(qiáng)大表征能力及其在視覺(jué)跟蹤中的成功應(yīng)用，我們將基于可見(jiàn)光圖像的預(yù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)換為熱紅外跟蹤。我們觀察到，由于缺少目標(biāo)的空間信息，卷積層的特征比來(lái)自全連接層的特征更加適合紅外目標(biāo)跟蹤。基于以上，本文提出了一種基于相關(guān)濾波器的集成跟蹤器，具有用于熱紅外跟蹤的多層卷積特征。

關(guān)鍵詞：網(wǎng)絡(luò);目標(biāo)跟蹤

中圖分類(lèi)號(hào)：TP183?? 文獻(xiàn)標(biāo)識(shí)碼：A?? 文章編號(hào)：1672-9129（2020）12-0037-01

1 引言

在過(guò)去的幾十年中，基于可見(jiàn)圖像序列的大量判別跟蹤方法被提出來(lái)解決各種挑戰(zhàn)，而判別方法已被用于分類(lèi)，人臉識(shí)別，動(dòng)作識(shí)別，手寫(xiě)識(shí)別，圖像分割，圖像去噪等。特別是近兩年來(lái)，視覺(jué)跟蹤通過(guò)深度學(xué)習(xí)取得了重大突破。盡管取得了很大進(jìn)展，但由于諸如改變外觀，遮擋，光照變化和背景雜亂等消極因素，視覺(jué)跟蹤仍然是一個(gè)很大程度上未解決的問(wèn)題。與視覺(jué)對(duì)象跟蹤相比，熱紅外跟蹤具有幾個(gè)優(yōu)點(diǎn)。例如，它不受光照變化的影響，因?yàn)闊峒t外圖像不依賴于反射光，而主要取決于物體的輻射溫度。熱紅外跟蹤還可以在完全黑暗中跟蹤目標(biāo)，而視覺(jué)跟蹤總是在惡劣的能見(jiàn)度條件下失敗。此外，在一些對(duì)個(gè)人信息敏感的真實(shí)場(chǎng)景中，熱紅外跟蹤可以保護(hù)隱私。因此，熱紅外跟蹤適用于各種應(yīng)用，例如救援，視頻監(jiān)控和夜間巡邏。

盡管存在許多優(yōu)點(diǎn)，但熱紅外跟蹤在此期間面臨許多挑戰(zhàn)。首先，熱紅外圖像具有一些不需要的屬性，例如低分辨率，較大百分比的死像素，以及沒(méi)有可視顏色圖案。這些不需要的屬性使得難以獲得目標(biāo)對(duì)象的辨別特征并因此降低跟蹤性能。另外，在沒(méi)有顏色模式的情況下，背景中存在許多類(lèi)似的目標(biāo)以干擾跟蹤器。

2 提出的方法

首先使用相關(guān)濾波器和卷積特征來(lái)呈現(xiàn)弱跟蹤器，然后給出融合多個(gè)響應(yīng)圖的集合方法，以及比例估計(jì)策略，最后顯示在線模型更新。

（1）弱跟蹤器。近年來(lái)，在基于相關(guān)濾波的跟蹤由于其較低的運(yùn)算量而受到了相當(dāng)多的關(guān)注。在這項(xiàng)工作中，我們還使用具有卷積特征的KCF來(lái)構(gòu)建弱跟蹤器。在ImageNet數(shù)據(jù)集上訓(xùn)練的預(yù)訓(xùn)練VGG-Net用于提取熱紅外目標(biāo)的卷積特征。給出在第k層卷積層提取的紅外圖像目標(biāo)區(qū)域的特征圖 XkRM×N×D（M，N，D代表寬、高和通道數(shù)），和相關(guān)高斯形狀標(biāo)簽矩陣Y。

在搜索階段，目的是在搜索框中獲取目標(biāo)位置的響應(yīng)圖。給定搜索框處的紅外熱搜索區(qū)域，我們還使用預(yù)訓(xùn)練的VGG-Net提取該搜索區(qū)域的特征。令Vk表示該搜索區(qū)域的第k個(gè)卷積層的特征圖。我們首先將其轉(zhuǎn)換為傅立葉域：V = F（V）。然后，可以獲取目標(biāo)在搜索框中的位置的響應(yīng)圖。

（2）總體跟蹤器。給定n個(gè)響應(yīng)圖P = {P 1，P 2，...，P n}，其中每個(gè)響應(yīng)圖P k∈P（k = 1，2，...，n）是從一個(gè)弱跟蹤器生成的，我們的目標(biāo)是融合這些響應(yīng)圖以獲得更強(qiáng)大的響應(yīng)圖。實(shí)際上，每個(gè)響應(yīng)圖P k都可以看作是概率圖，它由概率分布組成。該概率分布表示位置（i，j）成為目標(biāo)中心的概率。因此，我們可以使用散度來(lái)測(cè)量概率圖Pk和融合概率圖Q之間的距離。然后，我們最小化該距離以優(yōu)化融合概率圖Q。

我們可以看到它的形式很簡(jiǎn)單：它是所有過(guò)濾后的響應(yīng)圖的平均值。這有一個(gè)更直觀的解釋：使用加權(quán)和的所有濾波后的響應(yīng)圖都可以增強(qiáng)最終結(jié)果。

通常，來(lái)自VGG-Net的特征圖包含一些噪聲，從其中獲得的響應(yīng)圖也有很大的噪聲。因此，我們首先對(duì)響應(yīng)圖的噪聲進(jìn)行過(guò)濾以獲得更多置信度。為此，我們僅使用一種簡(jiǎn)單的策略，該策略利用另一個(gè)概率圖來(lái)濾波當(dāng)前的概率圖。但是，集成跟蹤器無(wú)法適應(yīng)目標(biāo)的變化外觀，因此跟蹤性能有限。為了提高集成跟蹤器的準(zhǔn)確性，有效的比例估計(jì)方法是必要的。 在本文中，采用了一種簡(jiǎn)單但有效的規(guī)模估計(jì)策略。對(duì)于給定的三個(gè)不同比例尺的目標(biāo)，此策略的主要目的是找到最大響應(yīng)圖的相應(yīng)尺度的更改方向。

（3）模型更新。由于目標(biāo)對(duì)象的外觀動(dòng)態(tài)變化，模型更新是對(duì)象跟蹤中的重要步驟。因此，模型需要更新以適應(yīng)外觀的變化。在這項(xiàng)工作中，我們使用簡(jiǎn)單的線性更新方法來(lái)更新過(guò)濾器。該方法只是利用當(dāng)前樣本Xk來(lái)更新過(guò)濾器。

與訓(xùn)練階段一樣，在每個(gè)卷積層上提取目標(biāo)的特征圖。隨后，收集這些特征圖和過(guò)濾器模板以計(jì)算它們的相關(guān)性。

3 總結(jié)

在本文中，在可見(jiàn)圖像數(shù)據(jù)集上訓(xùn)練的預(yù)訓(xùn)練CNN轉(zhuǎn)移到熱紅外跟蹤任務(wù)。利用預(yù)訓(xùn)練的CNN提取熱紅外目標(biāo)物體的特征。然后，分析完全連接的層特征和卷積層特征，它們更適合于熱紅外跟蹤。結(jié)果，發(fā)現(xiàn)卷積特征具有強(qiáng)大的能力來(lái)表示熱紅外物體，因?yàn)樗鼈兙哂斜葋?lái)自全連接層的特征更豐富的空間信息。但是，來(lái)自單個(gè)卷積層的要素由于缺少語(yǔ)義信息而無(wú)法應(yīng)對(duì)各種挑戰(zhàn)?；谶@一觀察，提出了一種基于相關(guān)濾波器的集成跟蹤器，該跟蹤器使用多層卷積特征進(jìn)行熱紅外跟蹤。在此跟蹤模型中，還基于散度采用集成方法來(lái)融合每個(gè)部分。

參考文獻(xiàn)：

[1]唐崢遠(yuǎn)，趙佳佳，楊杰，劉爾琦，周越.基于稀疏表示模型的紅外目標(biāo)跟蹤算法[J].紅外與激光工程，2012，41（05）：1389-1395.

[2]程建，周越，蔡念，楊杰.基于粒子濾波的紅外目標(biāo)跟蹤[J].紅外與毫米波學(xué)報(bào)，2006（02）：113-117.