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(shí)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(dòng)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(cè)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(cè)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(duì)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(duì)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(duì)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(shí)空正則化相關(guān)濾波器(STRCF),增加了時(shí)間一致性,有效應(yīng)對(duì)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(cè)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(gè)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(duì)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(duì)尺度樣本池的樣本逐一濾波,取最大響應(yīng)對(duì)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(duì)位置與初始幀局部分塊的相對(duì)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(duì)象的比例,同時(shí)解決局部遮擋問題。針對(duì)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(duì)遮擋、變形等場景的挑戰(zhàn)。目標(biāo)跟蹤中,對(duì)目標(biāo)及背景的外觀變化進(jìn)行實(shí)時(shí)更新濾波器至關(guān)重要。目標(biāo)被遮擋時(shí)采集到的樣本會(huì)污染濾波器導(dǎo)致跟蹤偏移[19],應(yīng)對(duì)方法是設(shè)計(jì)一些標(biāo)準(zhǔn)來評(píng)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(duì)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(duì)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(hào)表示點(diǎn)對(duì)點(diǎn)相除算子。

(5)

對(duì)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(shí),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(gè)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(gè)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(duì)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(duì)目標(biāo)圖像的空間排列不敏感。

最后將兩個(gè)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(duì)象O和背景區(qū)域B上對(duì)每個(gè)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(hào),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(shí)候容易產(chǎn)生跟蹤漂移,同時(shí)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(gè)濾波器h,提高它對(duì)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(duì)于L個(gè)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(gè)特征,xCk,l表示xCk的第l個(gè)特征。

對(duì)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(jià)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(gè)通道尺度濾波器的反折信號(hào)。

將式(23)改寫為頻域表達(dá)式,即

(24)

(25)

對(duì)于新樣本z,為確定其最優(yōu)尺度,也需對(duì)樣本進(jìn)行金字塔式采樣,獲取N個(gè)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(duì)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(duì)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(shí)感知目標(biāo)的表觀變化。當(dāng)遇到遮擋或運(yùn)動(dòng)模糊等情況仍無原則地更新模板則會(huì)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(shí),首先利用相關(guān)濾波器獲取響應(yīng)最大的樣本,對(duì)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(duì)。如與歷史上某個(gè)時(shí)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(duì)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(shí)應(yīng)避免引入該候選樣本對(duì)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(duì)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(gè)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(gè)取值范圍為[0,1]的閾值。當(dāng)max(cos(htn,hb))大于所設(shè)閾值時(shí),表明目標(biāo)未被遮擋,此時(shí)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(gè)模板中與b相似度最低的面片;當(dāng)式(30)不成立時(shí),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(cè)試提出的算法。首先進(jìn)行三個(gè)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(duì)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(duì)比實(shí)驗(yàn),直觀了解各改進(jìn)策略對(duì)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(duì)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(duì)比實(shí)驗(yàn)

為了驗(yàn)證加入背景感知模型是否會(huì)對(duì)跟蹤結(jié)果產(chǎn)生影響,本節(jié)通過對(duì)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(shí),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(duì)目標(biāo)實(shí)現(xiàn)較好的跟蹤。

第764幀時(shí),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(shí),鏡頭晃動(dòng)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(dòng)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(duì)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(dòng)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(duì)比Tab.1 Comparison of data with and without background perception models

3.1.2有無抗遮擋功能對(duì)比實(shí)驗(yàn)

為了驗(yàn)證抗遮擋功能的有效性,對(duì)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(shí),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(duì)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(duì)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(duì)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(duì)比實(shí)驗(yàn)

為了驗(yàn)證尺度自適應(yīng)功能的有效性,對(duì)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(shí),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(shí)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(duì)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(gè)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(duì)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(duì)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(gè)重要因素,因此,為了直觀展示幾種改進(jìn)策略的時(shí)間復(fù)雜度,對(duì)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(cè)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(cè)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(duì)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(duì)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(gè)主流算法,總平均值也達(dá)到0.75,在10個(gè)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(gè)主流算法,總平均值像素誤差為5.05像素,在10個(gè)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(dòng)模糊、平面外旋轉(zhuǎn)等多因素的影響下依然可以對(duì)目標(biāo)很好地跟蹤,而且在比對(duì)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(duì)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(gè)方面優(yōu)勢(shì):

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(duì)快速運(yùn)動(dòng)、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(shí)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(duì)尺度變化、快速運(yùn)動(dòng)、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?cè)舅惴ㄖ忻恳粠履０宓姆绞?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。