智慧交通中形變自適應(yīng)的目標(biāo)跟蹤算法研究

吳 大 偉

(東北林業(yè)大學(xué)交通學(xué)院，黑龍江 哈爾濱 150040)

目標(biāo)跟蹤是利用最優(yōu)化算法分析目標(biāo)位置等信息的一種關(guān)鍵技術(shù)，已被廣泛應(yīng)用于智能交通監(jiān)控和公安刑偵等領(lǐng)域。目標(biāo)跟蹤領(lǐng)域存在著目標(biāo)形變、遮擋和光照等挑戰(zhàn)性難點(diǎn)，因此魯棒的目標(biāo)跟蹤算法研究具有非常重要的意義。當(dāng)前，目標(biāo)跟蹤算法可分為生成式模型和判別式模型，生成式模型主要利用目標(biāo)的聯(lián)合分布進(jìn)行建模，常見(jiàn)有粒子濾波[1]和卡爾曼濾波等[2]跟蹤算法。判別式模型是通過(guò)訓(xùn)練分類器來(lái)識(shí)別被跟蹤目標(biāo)，常見(jiàn)有相關(guān)濾波器[3-7]和深度學(xué)習(xí)算法[8-10]。當(dāng)前，判別式模型已成為跟蹤領(lǐng)域的主流研究方向。Zhang在相關(guān)濾波器跟蹤算法的基礎(chǔ)上提出了基于貝葉斯框架的時(shí)空上下文跟蹤算法，有效利用了上下文信息提高分類器的判別性能[5]。Martin等[11]提出了ECO(Efficient Convolution Operators)跟蹤算法，融合了深度特征和相關(guān)濾波器進(jìn)行跟蹤，具有較高的跟蹤性能。Pan等[12]提出了融合相關(guān)濾波器和Siamese網(wǎng)絡(luò)的實(shí)時(shí)跟蹤框架，建立了一個(gè)在線模板庫(kù)，克服了因遮擋導(dǎo)致跟蹤器被污染的問(wèn)題。

盡管相關(guān)濾波器跟蹤算法具有較強(qiáng)的跟蹤性能，然而濾波器模板極易受到目標(biāo)形變等干擾，導(dǎo)致模板不準(zhǔn)確性。本文提出一種基于形變—自適應(yīng)的模板更新策略，根據(jù)目標(biāo)的形變程度自適應(yīng)調(diào)整濾波器模板，從而提升跟蹤性能。

1 形變—自適應(yīng)的目標(biāo)跟蹤算法

1.1 跟蹤濾波器

近年來(lái)Martin等[11]提出了ECO跟蹤算法，克服了模型漂移問(wèn)題。本文將采用ECO-HC算法作為基準(zhǔn)跟蹤濾波器，利用顏色和HOG特征描述表征被跟蹤目標(biāo)。設(shè)x為被跟蹤目標(biāo)特征，d個(gè)特征通道，J{x}為映射到空間連續(xù)域的特征卷積，P=(pd,c)(c

(1)

然而ECO-HC算法每隔N幀更新一次模型，訓(xùn)練樣本的多樣性導(dǎo)致濾波器模板往往更新不及時(shí)，甚至很容易受到目標(biāo)形變等干擾，基于此本文研究了目標(biāo)形變的特點(diǎn)，提出了一種有效的更新策略來(lái)改善濾波器模板的準(zhǔn)確性，從而提高目標(biāo)跟蹤精度。

1.2 基于上下文信息的形變—自適應(yīng)更新策略

(2)

CPSRt=St+St/St-1

(3)

式(3)中的第二項(xiàng)St/St-1為校正項(xiàng)，其物理意義表征前后幀的形變程度；若當(dāng)前幀的St>St-1，則表示形變程度減小，應(yīng)該增加當(dāng)前幀的置信水平；相反，應(yīng)該降低當(dāng)前幀的置信水平，而St/St-1準(zhǔn)確地表征了這種變化。

傳統(tǒng)的學(xué)習(xí)率是固定的，但當(dāng)目標(biāo)變形時(shí)，應(yīng)該自適應(yīng)地調(diào)整濾波器模板。若形變嚴(yán)重，則應(yīng)降低學(xué)習(xí)率；如果變形不嚴(yán)重，則增加學(xué)習(xí)率，從而提高模型與模板之間的匹配度。算法將保留歷史所有CPSRt，形成一個(gè)集合CP={CPSR1，CPSR2，…,CPSRt}，學(xué)習(xí)率可設(shè)置為:

(4)

式(4)是預(yù)先設(shè)置的閾值。當(dāng)CPSRt/m大于某一閾值時(shí)，表明當(dāng)前濾波器具有較高的置信度和較小的目標(biāo)變形,應(yīng)及時(shí)將當(dāng)前濾波器更新到模板中，因此可設(shè)置一個(gè)較大的學(xué)習(xí)率α；相反，應(yīng)該設(shè)置一個(gè)較小的學(xué)習(xí)率β。本文閾值設(shè)置為0.9，α=0.015，β=0.009；相反，應(yīng)該將學(xué)習(xí)率設(shè)置為較小的值。因此，相關(guān)濾波器模板的更新方式為:

(5)

2 實(shí)驗(yàn)結(jié)果與分析

本文算法命名為DA-ECO(Deformation-Adaptive ECO Tracking，形變—自適應(yīng)跟蹤算法)，將DA-ECO算法與其他6個(gè)頂級(jí)前沿算法進(jìn)行比較，包括ECO-HC[11]，fDSST[4]，CSR-DCF[6]，KCF[7]，Struck[13]，MEEM[14]。算法選取了10個(gè)標(biāo)注“Deformation”的形變視頻作為形變數(shù)據(jù)庫(kù)(來(lái)源網(wǎng)站http://cvlab.hanyang.ac.kr/tracker benchmark/)。利用成功率(Success Rate)作為評(píng)價(jià)標(biāo)準(zhǔn)，成功率是指跟蹤目標(biāo)的邊框區(qū)域與人工標(biāo)定的準(zhǔn)確值的重疊率大于某個(gè)閾值(一般閾值設(shè)為0.5)的幀數(shù)占全部幀數(shù)的比值。

表1為不同算法在形變數(shù)據(jù)集上的平均成功率，標(biāo)有*是最佳結(jié)果，標(biāo)有**次之，標(biāo)有***是第三好的結(jié)果，本文DA-ECO算法為81.2%，明顯高于ECO-HC和CSR-DCF等算法。由于本文算法能夠根據(jù)目標(biāo)形變自適應(yīng)調(diào)整被跟蹤模板，有效抑制形變導(dǎo)致模板的不準(zhǔn)性，具有形變的魯棒性。圖1為針對(duì)Couple,Skating1和Skating2-1共3個(gè)具有明顯形變的目標(biāo)跟蹤結(jié)果，將本文與其他4個(gè)前沿性算法比較，包括ECO-HC，fDSST，KCF及Struck，能夠準(zhǔn)確跟蹤目標(biāo)的矩形框?yàn)镈A-ECO算法結(jié)果，可見(jiàn)DA-ECO算法可以有效跟蹤目標(biāo)，沒(méi)有出現(xiàn)漂移等現(xiàn)象。

表1 不同算法在形變數(shù)據(jù)集上的平均成功率 %

3 結(jié)語(yǔ)

本文提出了一種形變—自適應(yīng)更新策略，構(gòu)造了上下文峰值旁瓣比CPSR特征，該特征可有效描述被跟蹤目標(biāo)相對(duì)于跟蹤模板的形變程度，根據(jù)CPSR特征調(diào)整模板的學(xué)習(xí)率，從而保證跟蹤模板的準(zhǔn)確性和魯棒性。實(shí)驗(yàn)結(jié)果表明，在形變數(shù)據(jù)庫(kù)上，本文DA-ECO算法均優(yōu)于ECO-HC，CSR-DCF和fDSST等算法，具有更高的成功率。然而，本文算法僅利用了顏色和HOG特征表征被跟蹤目標(biāo)，下一步將研究和設(shè)計(jì)基于深度特征模板的自適應(yīng)更新策略，并集成到目標(biāo)跟蹤算法中。