陳中意,陶 洋

(重慶郵電大學(xué) 通信與信息工程學(xué)院,重慶 400065)

1 引 言

目標跟蹤是計算機視覺領(lǐng)域中一個基礎(chǔ)性問題,在無人駕駛、人機交互、視頻監(jiān)控等領(lǐng)域具有廣泛的應(yīng)用[1].目標跟蹤的任務(wù)是通過給定第1幀的初始化邊界框來估計目標物在下一幀的邊界框[2].一般來說,影響目標跟蹤性能的問題有很多,如快速運動、旋轉(zhuǎn)、物體遮擋、光照變化以及圖像分辨率低等挑戰(zhàn).近十幾年來,目標跟蹤算法的研究不斷深入,出現(xiàn)了大量優(yōu)秀的算法,目標跟蹤的性能得到了顯著的提升,面臨的困難也得到了進一步的解決,但實現(xiàn)一種在復(fù)雜場景下跟蹤準確、快速和穩(wěn)健的目標跟蹤算法依然是一項艱巨的任務(wù)[3].

基于相關(guān)濾波的目標跟蹤算法借助循環(huán)矩陣和頻域計算與傳統(tǒng)方法相比,其性能更好、速度更快,得到廣泛應(yīng)用.但循環(huán)位移會導(dǎo)致邊界效應(yīng),引入背景雜波而導(dǎo)致模型學(xué)習(xí)到錯誤樣本降低模型的準確性.在2010年,Bolme[4]等提出了平方誤差最小輸出相關(guān)濾波器(MOSSE),MOSSE相關(guān)濾波器首次將相關(guān)濾波引入到目標跟蹤領(lǐng)域,在各大主流數(shù)據(jù)集上表現(xiàn)優(yōu)秀,研究基于相關(guān)濾波的目標跟蹤算法的潮流開始興起.Henriques[5]等提出了循環(huán)核相關(guān)濾波算法(CSK),該算法是基于MOSSE進行改進的,引入核函數(shù)和循環(huán)密集采樣提高目標跟蹤算法的穩(wěn)健性,但CSK利用的僅是樣本的灰度特征,對目標的外觀特征表達能力較弱.Danelljan[6]等提出了核相關(guān)濾波算法(KCF),為增強跟蹤模型的目標特征表達能力,使用具有31個通道的方向梯度直方圖(HOG)特征替代原來單一通道的灰度特征.為緩解邊界效應(yīng),Danelljan[7]等提出了一種基于空間正則項的相關(guān)濾波目標跟蹤(SRDCF)算法,該算法引入空間權(quán)重矩陣對濾波器進行抑制,對遠離目標中心的特征抑制較強,能較好的解決邊界效應(yīng)問題,但引入空間權(quán)重矩陣以后,目標函數(shù)的封閉解被破壞,跟蹤速度只能達到4 frame/s,同時其預(yù)設(shè)的是固定的負高斯形狀的空間權(quán)重矩陣,在快速運動、遮擋等場景下,無法自適應(yīng)目標的變化,導(dǎo)致跟蹤漂移.Galoogahi等人[8]提出了基于背景感知的相關(guān)濾波跟蹤(BACF)算法,為獲取真實的負樣本,對其搜索的范圍進行擴張,同時對樣本進行循環(huán)位移采樣,增加樣本數(shù)量,提高了模型對于背景和目標的辨別能力.但較大的搜索范圍會引入較多的背景雜波,容易造成跟蹤漂移.Huang等人[9]在BACF的基礎(chǔ)上提出了基于異常響應(yīng)抑制的相關(guān)濾波(ARCF)跟蹤算法,其利用前后兩幀響應(yīng)圖的全局變化情況檢測跟蹤過程中的異常情況,避免濾波器錯誤學(xué)習(xí)過多的背景信息,能有效的解決邊界效應(yīng)以及抑制畸變.Li等人[10]以SRDCF為基礎(chǔ),提出了基于時空正則化的相關(guān)濾波目標跟蹤(STRCF)算法,將前后兩幀濾波器的信息充分利用,避免跟蹤模型發(fā)生退化.但時間正則項的超參數(shù)是一個固定值,在跟蹤的過程中對時間正則項的懲罰力度固定,在發(fā)生相似背景干擾的時候無法自適應(yīng)增強對時間正則項的約束,容易導(dǎo)致跟蹤漂移.

以上方法雖然在一定程度上減輕了邊界效應(yīng)對目標跟蹤的影響,但還是存在諸多問題.本文在STRCF算法的基礎(chǔ)上提出一種基于樣本可靠性的時空正則化自適應(yīng)相關(guān)濾波目標跟蹤算法,該算法通過樣本可靠性構(gòu)建空間參考權(quán)重矩陣,利用自適應(yīng)空間正則項緩解邊界效應(yīng),同時使用前后兩幀響應(yīng)圖的全局變化程度確定時間正則項的超參數(shù),適應(yīng)復(fù)雜背景防止模型發(fā)生突變,緩解跟蹤漂移.

2 時空正則化相關(guān)濾波算法

基于相關(guān)濾波的跟蹤算法借鑒了信號處理當中互相關(guān)的思想[11],提出了模板匹配的跟蹤方法,其將目標與搜索區(qū)域進行相關(guān)性匹配,其中匹配度最高的區(qū)域即為目標預(yù)測結(jié)果.

基于時空正則化相關(guān)濾波(STRCF)目標跟蹤算法以相關(guān)濾波理論為基礎(chǔ),提取目標的多維特征,通過循環(huán)位移矩陣增加樣本數(shù)量,采用嶺回歸的思想訓(xùn)練相關(guān)濾波器,引入了空間正則項與時間正則項,能夠有效降低邊界效應(yīng)的影響,提升基于相關(guān)濾波目標跟蹤算法的性能與魯棒性.STRCF算法的目標函數(shù)如下:

(1)

由STRCF算法的目標函數(shù)可知,其在目標函數(shù)中引入了固定的空間權(quán)重矩陣,減少了邊界效應(yīng)的影響.但在目標形變、遮擋、旋轉(zhuǎn)等場景下,空間權(quán)重矩陣不能自適應(yīng)目標的外觀變化,無法獲取可信任的空間權(quán)重矩陣,容易導(dǎo)致跟蹤漂移.空間權(quán)重矩陣應(yīng)是動態(tài)的,與目標的變化建立相關(guān)的聯(lián)系,使得濾波器可較好避免學(xué)習(xí)到背景信息,提升模型對目標和背景的辨別能力.STRCF算法為防止濾波器突變,引入了時間正則項.其固定的時間正則項超參數(shù),使得對每一幀的濾波器進行了相同的抑制,在一定程度上避免了濾波器的突變,但無法適應(yīng)一些復(fù)雜的目標跟蹤場景.

3 本文算法

3.1 空間可靠性

在STRCF算法中引入空間正則項在一定程度上減輕了邊界效應(yīng)對目標跟蹤模型的影響,但在跟蹤的過程中其空間權(quán)重矩陣是固定的,空間權(quán)重矩陣未與目標物建立聯(lián)系,對于不同場景下的目標懲罰約束力度相同不免會懲罰有效樣本,在后續(xù)目標跟蹤過程中無法自適應(yīng)更新.故本文提出基于樣本可靠性的自適應(yīng)空間正則項,建立與目標之間的聯(lián)系.

本文利用前后兩幀響應(yīng)圖的局部變化作為空間參考權(quán)重矩陣,當前后兩幀響應(yīng)圖的局部變化較激烈時,該部分的可靠性較低,對不可靠部分執(zhí)行較高的約束,反之亦然.其空間參考權(quán)重矩陣wr定義為:

(2)

公式中:Rt[ψΔ]為當前樣本生成的響應(yīng)圖,Rt-1為上一幀樣本生成的響應(yīng)圖.η為學(xué)習(xí)率,設(shè)置為1000;wr-1為上一幀的空間權(quán)重矩陣,w初始化為STRCF算法中固定的空間權(quán)重矩陣,即為負高斯形狀的空間權(quán)重矩陣.

3.2 自適應(yīng)時間正則化

STRCF算法中的時間正則項的超參數(shù)是固定的,無法自適應(yīng)復(fù)雜的跟蹤場景,當目標物由于快速運動、遮擋、形變、旋轉(zhuǎn)等因數(shù)造成目標發(fā)生外觀變化,模型因魯棒性較差易導(dǎo)致跟蹤漂移.故提出自適應(yīng)時間正則項,根據(jù)前后兩幀的異常情況獲取時間正則項超參數(shù)的參考值,在跟蹤的過程中利用時間正則項超參數(shù)的參考值調(diào)整時間正則項對模型的約束程度,提高模型的魯棒性,對快速運動、遮擋、形變、旋轉(zhuǎn)等場景下的目標跟蹤性能有較大的提高.其參考值設(shè)置如下:

(3)

公式中:Rt[ψΔ]為當前樣本生成的響應(yīng)圖,Rt-1為上一幀樣本生成的響應(yīng)圖.在目標物的外觀模型前后兩幀變化不明顯時,相應(yīng)的響應(yīng)圖較為相似,參考值ur較大,使得時間正則項對模型的約束能力較強,能較好的避免模型發(fā)生突變.相反的,在目標物的外觀模型前后兩幀變化較明顯時,如遮擋、目標形變或旋轉(zhuǎn)、背景雜波等富有挑戰(zhàn)性的場景,前后兩幀的響應(yīng)圖相似程度較低,參考值ur較小,使得時間正則項對模型的約束能力較弱,目標跟蹤模型需發(fā)生較大的變化以適應(yīng)后續(xù)的復(fù)雜場景.為合理使用時間正則項對模型的約束能力,參數(shù)α、β分別設(shè)置為10、10.本文設(shè)置參考值ur對于時間正則項的超參數(shù)具有一定的指導(dǎo)意義,提高模型對復(fù)雜場景的適應(yīng)能力.

3.3 目標函數(shù)及優(yōu)化

本文以STRCF為基準算法,引入了基于樣本可靠性的自適應(yīng)時空正則項,其目標函數(shù)定義如式(4)所示:

(4)

為求解公式(4),可使用交替方法乘子法(ADMM)[12]進行迭代求解,加快求解效率,提升本文目標跟蹤算法的運行速度.引入輔助變量g=f,可將式(4)寫出增廣拉格朗日公式,即:

(5)

(6)

采用ADMM可將式(6)分解為4個子問題,其表達式為:

(7)

(8)

(9)

mi+1=mi+fi+1-gi+1

(10)

對上述4個子問題分別進行求解得最優(yōu)值.

1)子問題f

子問題f計算復(fù)雜度較高,根據(jù)帕塞瓦爾定理[13]將式(7)從時域轉(zhuǎn)換到頻域,可顯著降低算法復(fù)雜度,公式(7)轉(zhuǎn)換后如下:

(11)

(12)

(13)

由于公式(13)中矩陣求逆耗時長,根據(jù)Sherman-Morrsion 公式[14]可得:

(14)

2)子問題g

對于公式(8)未存在相關(guān)性計算,因此不必引入離散傅里葉變換,可直接在時域進行求解,對公式(8)求導(dǎo)可得:

gi+1=(WTW+γI)-1γ(ft+mt)

(15)

式中,W=diag(w)∈RT×T為空間權(quán)重矩陣w的對角矩陣,推導(dǎo)可得w·h=Wh.

3)子問題w

子問題w的求解與子問題g類似,可直接在時域上對公式(9)進行求導(dǎo),可得:

(16)

式中,G=diag(g)∈RT×T為輔助矩陣g的對角矩陣,推導(dǎo)可得g·w=Gw.

4)更新懲罰參數(shù)γ

懲罰參數(shù)γ的更新公式如下:

γi+1=min(γmax,ργ(i))

(17)

式中,γmax為γ的最大值,ρ為γ為的固定參數(shù).

3.4 算法流程

本文算法將空間可靠性與自適應(yīng)時間正則化融入到STRCF算法中實現(xiàn)目標跟蹤,其流程如下:

1)第1幀初始化:根據(jù)視頻序列初始第1幀的目標框,在目標區(qū)域提取目標的灰度、顏色屬性(CN)和方向梯度直方圖(HOG)特征,建立特征模型.以負高斯模型作為本文算法的空間參考權(quán)重矩陣進行初始化,自適應(yīng)時間正則項超參數(shù)初始化為8,進而初始化位置濾波器和尺度濾波器.

2)目標定位及尺度估計:在下一幀輸入時,在目標搜索區(qū)域內(nèi)提取不同尺度的目標特征并與位置濾波器和尺度濾波器進行相關(guān)性計算,得到相應(yīng)的響應(yīng)圖,獲得目標的位置與尺度.

3)參數(shù)更新及模型訓(xùn)練:通過公式(2)更新空間參考權(quán)重矩陣,通過公式(3)更新時間正則項超參數(shù),在最后根據(jù)公式(14)可對位置濾波器進行訓(xùn)練.

4)模型更新:采用STRCF算法中的固定更新速率對位置濾波器和尺度濾波器進行更新,以適應(yīng)跟蹤環(huán)境的多樣性和復(fù)雜性.

5)循環(huán)跟蹤:若視頻序列未結(jié)束,則執(zhí)行步驟2);若視頻序列結(jié)束,則算法結(jié)束.

4 實驗與結(jié)果分析

4.1 實驗環(huán)境與參數(shù)設(shè)置

為驗證本文算法的有效性,本文使用MATLAB R2019b軟件以及MatConvNet工具箱在Windows操作系統(tǒng)下編程實現(xiàn).其實驗硬件平臺的CPU為Intel i5-9400F,運行內(nèi)存為32G.本文算法的基準算法為STRCF,尺度估計階段,本文利用DSST[15]算法中的 33 個尺度的圖像金字塔與尺度相關(guān)濾波器確定目標尺度信息,尺度個數(shù)為33,尺度因子為1.01.由于本文算法引入自適應(yīng)空間正則項,其自適應(yīng)空間正則項權(quán)重參數(shù)a設(shè)置為10.其余參數(shù)設(shè)置與STRCF相同.本文選用近幾年優(yōu)秀算法在OTB-2013[16]、OTB-2015[17]數(shù)據(jù)集進行實驗和質(zhì)量評估,以凸顯本文算法的魯棒性和優(yōu)越性,選用的對比算法有KCF[6]、DSST[15]、SRDCF[7]、BACF[8]、STRCF[10]、ARCF[9]和AutoTracker[18].

4.2 數(shù)據(jù)集和評估標準

OTB數(shù)據(jù)集是目標跟蹤領(lǐng)域主流的測試數(shù)據(jù)集,其包含常用跟蹤場景下收集的100個視頻序列,將視頻序列一幀一幀分割成圖片的形式,其共58897幀圖片.覆蓋了現(xiàn)實中常見的跟蹤場景,如低分辨率、光照變化、平面外旋轉(zhuǎn)、出視野、尺度變化、形變、遮擋、快速運動、運動模糊、平面內(nèi)旋轉(zhuǎn)以及背景雜亂共11種跟蹤挑戰(zhàn),滿足本文的對比試驗需求.OTB2013數(shù)據(jù)集是從OTB數(shù)據(jù)集中選取了更具有挑戰(zhàn)性的51個視頻序列,大部分視頻序列為灰度序列.OTB2015數(shù)據(jù)集是OTB2013數(shù)據(jù)集的擴展,具有100個視頻序列,更能全面的評估算法的整體性能.在對比實驗中,比較重要的兩個指標是:成功率(SR)與距離精度(DP),采用一次通過評估標準(OPE).成功率(SR)表示為跟蹤序列中標注目標框和跟蹤目標框重疊得分大于給定閾值(td=20pixel)的幀數(shù)占比,能有效評估跟蹤算法的位置與尺度的精度.距離精度(DP)為跟蹤序列中目標中心定位誤差小于給定閾值(t0=0.5)的幀數(shù)占比,能有效評估跟蹤算法的目標定位精度.

4.3 定量分析

為檢驗本文目標跟蹤算法的跟蹤性能,選取了近幾年優(yōu)秀的基于相關(guān)濾波的目標跟蹤算法在數(shù)據(jù)集OTB-2013與OTB-2015進行了對比實驗,包含KCF、DSST、SRDCF、BACF、STRCF、ARCF和AutoTracker.圖1展示了8種對比算法在OTB-2013數(shù)據(jù)集上的距離精度和成功率.圖2展示了8種對比算法在OTB-2015數(shù)據(jù)集上的距離精度和成功率.由結(jié)果可知本文算法在數(shù)據(jù)集OTB-2013與OTB-2015上的表現(xiàn)相對于近幾年的優(yōu)秀算法都是較優(yōu)的.本文算法在數(shù)據(jù)集OTB-2013的距離精度和成功率分別達到了87.9%和68.1%,相對于基準算法STRCF,其距離精度和成功率分別提升了1.2%和1.8%.同時本文算法在在數(shù)據(jù)集OTB-2015也取得了不錯的表現(xiàn),其距離精度和成功率分別達到了86.8%和66.4%,相對于基準算法STRCF,其距離精度和成功率分別提升了1.5%和1.9%.實驗結(jié)果表明,本文算法根據(jù)圖像的可靠性對空間正則項進行自適應(yīng)更新,及時適應(yīng)目標形變或遮擋情況,同時根據(jù)前后兩幀的相應(yīng)圖的變化情況對時間正則項的超參數(shù)進行自適應(yīng)的跟蹤,減少模型漂移對性能的影響,提升了目標跟蹤算法的性能.

圖1 OTB-2013數(shù)據(jù)集上的距離精度和成功率Fig.1 Distance accuracy and success rate on OTB-2013 dataset

圖2 OTB-2015數(shù)據(jù)集上的距離精度和成功率Fig.2 Distance accuracy and success rate on OTB-2015 dataset

由于本文算法借助頻域計算與ADMM算法極大的降低了本文算法目標函數(shù)的求解過程,但相對基準算法STRCF的求解,其增加了子問題W的求解以及相關(guān)參考值的計算,額外增加求解的難度,故在跟蹤速度方面相對于STRCF較慢,但與同類型解決邊界效應(yīng)的SRDCF相比較,其跟蹤速度較快.如表1所示為本文算法與DSST、SRDCF、BACF、STRCF、ARCF和AutoTracker在OTB-2015數(shù)據(jù)集上的平均跟蹤速度對比情況,本文算法在數(shù)據(jù)集OTB-2015上的平均跟蹤速度為23.6 frame/s,相對于STRCF僅下降了4.7 frame/s.

表1 7種算法在數(shù)據(jù)集OTB-2015上的平均跟蹤速度對比Table 1 Comparison of tracking speed of seven algorithms on data set OTB-2015

本文算法相對于STRCF的成功率在數(shù)據(jù)集OTB-2015提升僅僅只有1.5%,但本文算法在STRCF的基礎(chǔ)上加入了自適應(yīng)時空正則項機制,在遮擋、形變、出視野和旋轉(zhuǎn)等復(fù)雜場景下相對于STRCF具有不錯的性能提升.如圖3所示為本文算法與7種對比算法在數(shù)據(jù)集OTB-2015中遮擋、形變、出視野和旋轉(zhuǎn)4種屬性場景下的成功率曲線圖.由實驗結(jié)果可知:本文算法在遮擋、形變、出視野和旋轉(zhuǎn)屬性的視頻序列上均表現(xiàn)良好,優(yōu)于其他7種對比算法.本文算法在遮擋、形變、出視野和旋轉(zhuǎn)屬性的視頻序列上的成功率分別為64.1%、64.2%、62.5%和64.2%,相對于STRCF分別提升了6.5%、6.3%、5.6%和3.9%.在形變和旋轉(zhuǎn)屬性場景下,目標會發(fā)生顯著的外觀變化,固定的空間權(quán)重矩陣無法自適應(yīng)目標輪廓變化,使得濾波器學(xué)習(xí)到錯誤的樣本信息以及無法充分利用正確樣本信息,本文引入基于樣本可靠性的自適應(yīng)空間正則項,可根據(jù)目標外觀變化自適應(yīng)調(diào)節(jié)空間權(quán)重矩陣,提高模型在形變和旋轉(zhuǎn)等屬性場景下跟蹤性能.在遮擋和出視野屬性場景下,目標的部分有用信息丟失,容易造成跟蹤漂移現(xiàn)象,本文算法利用前后兩幀響應(yīng)圖的變化情況得到時間正則項超參數(shù),對不同幀采用不同程度的時間正則項約束,避免濾波器發(fā)生突變,有效控制濾波器的更新,克服遮擋、出視野等場景對模型的干擾,提升跟蹤算法的性能.

圖3 OTB-2015數(shù)據(jù)集中遮擋、形變、出視野和旋轉(zhuǎn)屬性視頻序列上的成功率Fig.3 Success rate of occlusion、 deformation、out of view and rotation attribute video sequences in OTB-2015 dataset

4.4 定性分析

為更加直觀的分析評估本文算法的跟蹤性能,本文利用本文算法與6種對比算法(DSST、BACF、STRCF、SRDCF、AutoTrack、ARCF)在數(shù)據(jù)集OTB-2015的4個具有挑戰(zhàn)性屬性的視頻序列(Board、DragonBaby、Girl2、Shaking)進行定性分析.跟蹤結(jié)果如圖4所示,本文通過不同灰度和虛實線型的選框標識出各算法當前序列所跟蹤到的目標位置.這4種不同屬性的視頻序列幾乎包含了全部挑戰(zhàn).

圖4 7種算法在4個視頻序列上的跟蹤結(jié)果Fig.4 Tracking results of seven algorithms on four video sequences

Board視頻序列具有出視野、運動模糊、快速運動等屬性.由圖4(a)可知:在第103幀之前,所以算法均能較好的跟蹤上目標,在第261～371幀之間發(fā)現(xiàn)了較大了尺度變化,DSST、AutoTrack和ARCF算法無法適應(yīng)其較大的尺度變化,導(dǎo)致跟蹤變大,將學(xué)習(xí)到過多的背景信息,后續(xù)模型的跟蹤精度降低.在第585幀時,目標發(fā)生了運動模糊,導(dǎo)致目標外觀劇烈變化,DSST、SRDCF、AutoTrack和ARCF算法無法準確的提前目標特征,從而導(dǎo)致跟蹤漂移.到第669幀時,由于誤差累計和跟蹤漂移,DSST、SRDCF、AutoTrack和ARCF算法已經(jīng)跟蹤不上目標,只有本文算法、BACF和STRCF跟蹤到目標,背景感知和空間正則項可以較好的處理出視野與運動模糊等問題.

DragonBaby視頻序列具有旋轉(zhuǎn)、遮擋、快速運動等屬性.由圖4(b)可知:由于快速運動,從第34幀開始,DSST、SRDCF和BACF算法開始出現(xiàn)跟蹤漂移問題,其余算法由于引入了時間正則項或異常抑制機制,能較好的減少跟蹤漂移.在第51幀時,只有本文算法和AutoTrack算法較好的跟蹤到了目標,其余算法都未跟蹤上目標,由此可見自適應(yīng)時間正則項可較好的克服目標模糊、旋轉(zhuǎn)、快速運行等挑戰(zhàn)性問題.在第68～79幀時,目標發(fā)生了遮擋問題,本文算法依然可以較好的跟蹤到目標,本文利用樣本可靠性學(xué)習(xí)到了可靠的空間權(quán)重矩陣參考值,有效了避免了學(xué)習(xí)到錯誤的樣本信息,避免由于目標遮擋發(fā)生漂移或跟丟現(xiàn)象.在第113幀時,DSST、SRDCF和BACF由于跟蹤漂移誤差累計不能跟蹤上目標,而本文算法依然可以穩(wěn)定跟上目標.

Girl2視頻序列具有目標變形、遮擋、運動模糊等屬性.由圖4(c)可知:在第110幀時,目標發(fā)生了完全遮擋,樣本可靠性較低,導(dǎo)致所有算法無法跟蹤到正確的目標,而是跟蹤到了遮擋物.在第202幀時,遮擋物離開視野范圍,跟蹤框停留在原地.在第344幀時,本文算法與STRCF算法重新跟蹤上目標物,這是由于目標走進了目標搜索范圍,濾波器在搜索范圍內(nèi)找到了響應(yīng)最大值處.在第950～1050幀之間,鏡頭開始向目標物拉近,發(fā)生了較大的尺度變化,但本文算法與STRCF算法依然穩(wěn)定跟蹤到目標.其他算法與第110幀時跟蹤情況相同,無法跟蹤到目標.Shaking視頻序列具有光照變化、旋轉(zhuǎn)等屬性.由圖4(d)可知:在第15幀時,本文算法、STRCF和DSST可以穩(wěn)定的跟蹤到目標,其他算法都跟蹤失敗.在第60幀時發(fā)生了較大的光照變化,影響目標物的特征提取,此時本文算法、STRCF和DSST依然可以很好的跟蹤到目標,而其他算法的偏移程度加大,未能跟蹤到目標,這表明本文算法提取的HOG特征可以較好的克服光照變化.在90～160幀之間,目標物發(fā)生了較大了旋轉(zhuǎn)、尺度變化,除本文算法、STRCF和DSST可以一直穩(wěn)定跟蹤目標外,其余算法均跟蹤失敗.

5 結(jié) 論

本文算法針對現(xiàn)有基于時空正則化相關(guān)濾波的目標跟蹤算法在解決邊界效應(yīng)時引入的空間權(quán)重矩陣無法自適應(yīng)目標變化和時間正則項超參數(shù)固定的問題,提出了基于樣本可靠性的時空正則化自適應(yīng)相關(guān)濾波目標跟蹤算法.該算法利用響應(yīng)圖的局部變化和上一幀的空間權(quán)重矩陣,判斷樣本的空間可靠性,使濾波器充分學(xué)習(xí)到正確的目標信息.同時引入相鄰兩幀的響應(yīng)圖全局變化作為時間正則項超參數(shù),用于約束模型的突變.采用交替方向乘子法(ADMM)進行算法的優(yōu)化,迭代求解多個子問題,保證算法的運行效率.實驗結(jié)果驗證了本文算法的優(yōu)越性,對遮擋、形變、出視野和旋轉(zhuǎn)等場景提升較大,在一定程度上解決了邊界效應(yīng)對跟蹤的影響.但本文算法在低分辨率和背景雜波場景下性能較弱,接下來的工作將以本文算法為基礎(chǔ),嘗試把手工特征和深度特征進行自適應(yīng)融合,同時利用多個相關(guān)濾波器來提升跟蹤性能.