基于局部特征自適應(yīng)加權(quán)的目標(biāo)跟蹤

◆李紅江

(遼寧大學(xué)信息學(xué)院 遼寧 110000)

0 引言

視覺跟蹤在無人機、無人駕駛汽車等領(lǐng)域有著廣泛的應(yīng)用。但視覺跟蹤需要處理的問題也相當(dāng)復(fù)雜，如運動目標(biāo)快速運動、物體的遮擋等都是重要的干擾因素。

隨著神經(jīng)網(wǎng)絡(luò)的出現(xiàn)，跟蹤的算法變得更加完善，使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）對樣本特征進(jìn)行提取[1][4]，充分利用樣本特征，使跟蹤過程中目標(biāo)匹配的準(zhǔn)確率得到很大的改善，但對于目標(biāo)遮擋情況，線神經(jīng)網(wǎng)絡(luò)跟蹤模型則略顯無力。

本文提出了一種基于局部特征的自適應(yīng)加權(quán)的目標(biāo)跟蹤算法，將跟蹤目標(biāo)進(jìn)行網(wǎng)格化，利用CNN充分提取每一塊的特征，引入距離轉(zhuǎn)化池化層估計輸入特征的可靠性，增加一個全連接層得到局部自適應(yīng)加權(quán)的CNN跟蹤模型；選用OTB-100數(shù)據(jù)集進(jìn)行試驗，選取當(dāng)前比較有影響力的算法進(jìn)行比較。

1 相關(guān)工作

本文主要重點如下：

（1）將目標(biāo)進(jìn)行網(wǎng)格化。

（2）使用神經(jīng)網(wǎng)絡(luò)提取目標(biāo)局部的深度特征，并訓(xùn)練局部自適應(yīng)加權(quán)的目標(biāo)跟蹤模型。

（3）對于局部遮擋和快速運動，使用卡爾曼濾波對目標(biāo)進(jìn)行預(yù)測[2][3]。

2 算法實現(xiàn)

本文采用M=m×m的網(wǎng)格方式對目標(biāo)網(wǎng)格化，并且給網(wǎng)格建立對應(yīng)的索引

本文使用具有空間正則核的CNN框架，該框架包含兩個卷積層、ReLu層、池化層和響應(yīng)函數(shù)。輸入W×H×C圖像塊，其中,W和H分別為寬和高，C是信道數(shù)。卷積層1的卷積核大小為5×5，輸出大小為W×H×C1的特征圖。卷積層2的卷積核大小為3×3，輸出W×H×C1響應(yīng)圖。在ReLu層，將響應(yīng)圖劃分為C1/4組，并對每個通道的每個組的特征圖進(jìn)行對應(yīng)求和，每組輸出為W×H×1的特征圖。最后，將得到的特征圖輸入到距離變換池化層，并將最終得到的特征通過響應(yīng)函數(shù)確定目標(biāo)的位置。

2.1 卷積層的改進(jìn)

2.2 距離轉(zhuǎn)換池化層

2.3 基于局部特征自適應(yīng)加權(quán)的CNN跟蹤模型

本文使用網(wǎng)格化目標(biāo)充分利用目標(biāo)的局部特征來協(xié)助目標(biāo)的跟蹤。由2.1部分得出跟蹤目標(biāo)的局部響應(yīng)函數(shù)目標(biāo)的不同部位在跟蹤過程中有不同的影響。因此，在神經(jīng)網(wǎng)絡(luò)最后一層增加一個連接層，訓(xùn)練出一個自適應(yīng)的權(quán)重向量具體設(shè)計如下：

圖 1 局部自適應(yīng)加權(quán)結(jié)構(gòu)圖

則局部特征自適應(yīng)加權(quán)的目標(biāo)函數(shù)模型為：

本文使用的優(yōu)化算法是隨機梯度下降算法，并且使用Kalman濾波預(yù)測結(jié)合模型匹配處理目標(biāo)的快速運動以及目標(biāo)完全遮擋問題?？焖龠\動的目標(biāo)導(dǎo)致兩幀之間距離變化較大，因此，Kalman濾波根據(jù)目標(biāo)初始狀態(tài)的初始位置參照目標(biāo)的運動速度、加速度以及外界干擾因素，預(yù)測出目標(biāo)在t+1幀中的位置并在寬為高為的范圍內(nèi)，使用跟蹤模型進(jìn)行目標(biāo)搜索匹配，大大減小匹配時間。

3 實驗結(jié)果分析及比較

本文采用OTB-100數(shù)據(jù)集進(jìn)行試驗。在數(shù)據(jù)集上，將本文跟蹤算法與其他性能比較好的近兩年的四種跟蹤算法進(jìn)行比較。

跟蹤結(jié)果用不同數(shù)字框標(biāo)注：ours：1、LSART：2、ECO：3、SRDCF：4、KCF：5。

圖2 局部遮擋效果圖

圖2展示了跟蹤算法之間在局部遮擋問題上的對比結(jié)果。結(jié)果表明了本文的跟蹤算法在跟蹤過程中效果更準(zhǔn)確。在目標(biāo)大部分區(qū)域被遮擋后，而LSART能繼續(xù)跟蹤，但是跟蹤結(jié)果會慢慢漂移，并且準(zhǔn)確度沒有本文算法高。針對跟蹤的全局遮擋問題，圖3展示了本文跟蹤算法能很好地處理遮擋問題。目標(biāo)在受到物體遮擋時，其他四種算法將會跟丟，最終停留在遮擋物體上。而本文結(jié)合Kalman濾波，在預(yù)測范圍內(nèi)進(jìn)行滑動窗口搜索，并與本結(jié)合的跟蹤模型進(jìn)行匹配，以確定目標(biāo)位置。

實驗表明，本文改進(jìn)的跟蹤算法有著較好的跟蹤效果。

圖3 全部遮擋效果圖

4 結(jié)論

本文提出的一種基于局部自適應(yīng)加權(quán)的目標(biāo)跟蹤模型，對目標(biāo)進(jìn)行網(wǎng)格化利用局部特征，訓(xùn)練成局部的CNN模型，增加連接層訓(xùn)練出局部自適應(yīng)權(quán)重模型，實驗表明該模型可以很好地處理局部遮擋問題。本文使用Kalman濾波跟蹤算法處理全局遮擋，再結(jié)合跟蹤模型在一定范圍內(nèi)進(jìn)行搜索匹配。實驗表明，該算法能很好地處理快速運動與全部遮擋問題。