引入特征重檢的抗遮擋目標(biāo)跟蹤方法研究

周 維，陳聽(tīng)海，邱寶鑫

湘潭大學(xué) 信息工程學(xué)院，湖南 湘潭411105

1 引言

目標(biāo)跟蹤是計(jì)算機(jī)視覺(jué)領(lǐng)域的研究熱點(diǎn)之一，在軍事領(lǐng)域、醫(yī)學(xué)領(lǐng)域、視頻監(jiān)控、虛擬現(xiàn)實(shí)以及人機(jī)交互等場(chǎng)景均有著廣泛的應(yīng)用。

目標(biāo)跟蹤分為生成式方法和判別式方法。生成式方法對(duì)目標(biāo)外觀特征進(jìn)行描述學(xué)習(xí)，獲得模板或字典，再基于最小化誤差的思想搜索候選區(qū)域，得到最相近目標(biāo)的跟蹤結(jié)果。生成式算法性能取決于對(duì)目標(biāo)刻畫(huà)是否成功，經(jīng)典生成式方法有均值漂移、粒子濾波等。判別式方法把目標(biāo)跟蹤看成分類(lèi)問(wèn)題，訓(xùn)練能夠有效區(qū)分目標(biāo)和背景的分類(lèi)器，來(lái)識(shí)別復(fù)雜背景下的目標(biāo)，如基于深度學(xué)習(xí)、相關(guān)濾波等的跟蹤方法隸屬于判別式方法。盡管深度學(xué)習(xí)方法的引入使得目標(biāo)跟蹤算法的精度迅速提高[1]，目標(biāo)跟蹤領(lǐng)域仍然存在如場(chǎng)景因素（例如光照、天氣以及場(chǎng)景切換等）、攝影機(jī)因素（視角、運(yùn)動(dòng)以及拍攝質(zhì)量）、姿態(tài)變化（尺度、形變、旋轉(zhuǎn)、位移等）、遮擋等諸多挑戰(zhàn)[2]。

針對(duì)抗遮擋問(wèn)題的目標(biāo)跟蹤，文獻(xiàn)[3]提出基于特征融合和遮擋檢測(cè)的跟蹤方法，在相關(guān)濾波框架下，通過(guò)加權(quán)策略融合HOG 特征和顏色特征，并根據(jù)融合器的響應(yīng)函數(shù)提出一種遮擋檢測(cè)的方法。文獻(xiàn)[4]在目標(biāo)發(fā)生遮擋時(shí)，采用幀差法檢測(cè)目標(biāo)，并使用卡爾曼濾波器平滑跟蹤的軌跡，在發(fā)生遮擋的位置采用最小二乘法自適應(yīng)擬合目標(biāo)運(yùn)動(dòng)軌跡，完成對(duì)目標(biāo)的跟蹤。文獻(xiàn)[5]提出分塊多示例學(xué)習(xí)算法。該算法將目標(biāo)圖像分塊，對(duì)每塊圖像片應(yīng)用多示例學(xué)習(xí)算法。跟蹤過(guò)程中結(jié)合樣本所有圖像片的綜合分類(lèi)器分?jǐn)?shù)和每塊圖像片的分類(lèi)器分?jǐn)?shù)檢測(cè)并判斷跟蹤過(guò)程中的光照、位姿變化，及遮擋問(wèn)題。針對(duì)不同的跟蹤狀態(tài)，采用分類(lèi)器學(xué)習(xí)率自適應(yīng)調(diào)整策略，以避免“過(guò)更新”及更新不及時(shí)的問(wèn)題。文獻(xiàn)[6]把遮擋定義為前一幀中部分背景點(diǎn)移動(dòng)到當(dāng)前幀中的目標(biāo)區(qū)域，采用背景跟蹤器來(lái)研究背景塊，如果檢測(cè)到遮擋，目標(biāo)模板就停止更新。

從文獻(xiàn)中看，解決遮擋有兩種思路：（1）分塊法，即對(duì)目標(biāo)分塊，利用遮擋發(fā)生過(guò)程中未被遮擋的部分跟蹤。（2）檢測(cè)法，即通過(guò)檢測(cè)機(jī)制判斷目標(biāo)是否發(fā)生遮擋，決定是否更新模板，以保證跟蹤的魯棒性。

文獻(xiàn)[7]中提出的TLD算法只需較少先驗(yàn)信息就可對(duì)目標(biāo)長(zhǎng)期在線跟蹤，通過(guò)跟蹤器與檢測(cè)器的協(xié)同處理遮擋，該策略簡(jiǎn)單有效，但遮擋結(jié)束，重新標(biāo)定時(shí)，TLD的檢測(cè)模塊對(duì)相似物體的辨別能力不夠魯棒，相似物體錯(cuò)判為追蹤目標(biāo)，影響后續(xù)跟蹤。

國(guó)內(nèi)外研究者對(duì)TLD 算法進(jìn)行了一定的改進(jìn)研究。文獻(xiàn)[8]采用基于粒子濾波的跟蹤算法代替內(nèi)置的TLD 跟蹤模塊進(jìn)行短期跟蹤，提高算法在遮擋、尺度變化、旋轉(zhuǎn)等情況下的性能。文獻(xiàn)[9]使用基于像素特征值的OS-ELM 檢測(cè)器代替TLD 框架中的集成分類(lèi)器，它能夠?qū)W習(xí)不同大小順序的在線數(shù)據(jù)，具有較好的泛化性能。文獻(xiàn)[10]使用CNN補(bǔ)充TLD算法的學(xué)習(xí)檢測(cè)能力，提高了算法處理速度與目標(biāo)跟蹤精度。文獻(xiàn)[11]在TLD框架下使用HOG特征與SVM方法進(jìn)行重檢測(cè)，能夠在具有不同光照或遮擋的場(chǎng)景下實(shí)現(xiàn)障礙物檢測(cè)與跟蹤。文獻(xiàn)[12]采用卡爾曼濾波器對(duì)目標(biāo)區(qū)域預(yù)估，減少目標(biāo)檢測(cè)范圍，采用L1跟蹤器代替TLD跟蹤器，增強(qiáng)相似物體的鑒別能力。文獻(xiàn)[13]使用雙目標(biāo)框改進(jìn)TLD算法，算法在目標(biāo)變化相對(duì)穩(wěn)定的區(qū)域標(biāo)定另一個(gè)矩形框，以指示跟蹤的重點(diǎn)區(qū)域。在提取跟蹤點(diǎn)時(shí)，采用分配權(quán)重的方法使重點(diǎn)區(qū)域產(chǎn)生更多的跟蹤點(diǎn)，提高算法對(duì)局部變化的適應(yīng)能力。文獻(xiàn)[14]使用KCF 算法替代TLD 框架下跟蹤模塊所用中值光流法，再使用檢測(cè)模塊對(duì)跟蹤結(jié)果判斷，有選擇性地更新，提高了算法對(duì)遮擋、光照變化和運(yùn)動(dòng)模糊等場(chǎng)景的適應(yīng)能力。文獻(xiàn)[15]獲取手勢(shì)HOG 特征并投入到卷積神經(jīng)網(wǎng)絡(luò)中加以訓(xùn)練，再利用TLD 算法對(duì)正負(fù)樣本估計(jì)檢測(cè)并實(shí)時(shí)矯正，同時(shí)運(yùn)用SURF 特征匹配更新跟蹤器，相比經(jīng)典跟蹤算法具有更高魯棒性。

本文基于TLD 算法，提出基于特征重檢的抗遮擋目標(biāo)跟蹤方法。通過(guò)引入新的特征檢測(cè)環(huán)節(jié)并在特征匹配時(shí)使用新定義的正反方向進(jìn)行雙向匹配，使得遮擋階段結(jié)束后，能夠正確地跟蹤原目標(biāo)，避免發(fā)生相似目標(biāo)的錯(cuò)判，提高跟蹤準(zhǔn)確率。

2 TLD算法

TLD算法由跟蹤模塊、檢測(cè)模塊和學(xué)習(xí)模塊三個(gè)模塊組成，工作流程如圖1。

圖1 TLD算法的工作流程

追蹤模塊是觀察幀與幀之間的目標(biāo)的移動(dòng)量，在中值光流法基礎(chǔ)上增加了跟蹤失敗時(shí)的檢測(cè)。

定義位移殘差：

di表示單個(gè)特征點(diǎn)的位移，dm表示特征點(diǎn)位移的中值。當(dāng)發(fā)生劇烈移動(dòng)或遮擋時(shí)，殘差的值會(huì)迅速增加，超過(guò)10個(gè)像素，認(rèn)定跟蹤器失效。

檢測(cè)模塊是檢測(cè)定位每幀圖像中的目標(biāo)。對(duì)當(dāng)前幀滑動(dòng)窗口掃描，生成候選樣本通過(guò)級(jí)聯(lián)分類(lèi)器進(jìn)行篩選得到最佳候選。檢測(cè)過(guò)程如圖2所示。

圖2 TLD檢測(cè)模塊

第一級(jí)是方差分類(lèi)器，計(jì)算候選樣本中像素點(diǎn)亮度值方差，小于原目標(biāo)圖像方差一半的圖像塊標(biāo)記為負(fù)樣本。

第二級(jí)是隨機(jī)森林分類(lèi)器，輸入的候選樣本經(jīng)過(guò)每棵樹(shù)的節(jié)點(diǎn)對(duì)比和計(jì)算后，產(chǎn)生一定數(shù)目的后驗(yàn)概率，平均概率小于閾值標(biāo)記為負(fù)樣本。

第三級(jí)是最近鄰分類(lèi)器，待分類(lèi)樣本的類(lèi)別由距離最近樣本決定，該距離指待檢測(cè)樣本與樣本庫(kù)中樣本的相似度。定義樣本p1p2的相似度為：

式中，μ1μ2σ1σ2分別為p1p2的均值與標(biāo)準(zhǔn)差。根據(jù)公式（2）（3）可計(jì)算待測(cè)樣本p 與樣本庫(kù)M 中最相似正樣本和負(fù)樣本的相似度表示如下：

根據(jù)公式（4）（5）定義相關(guān)相似度如下：

若Sr≥θNN，把待測(cè)掃描窗口圖像塊分類(lèi)為正樣本，反之分類(lèi)為負(fù)樣本。

TLD學(xué)習(xí)模塊分為兩個(gè)部分，一是PN學(xué)習(xí)機(jī)制[16]，P約束利用追蹤結(jié)果預(yù)測(cè)目標(biāo)下一幀位置，若該樣本被檢測(cè)器分類(lèi)為負(fù)樣本，糾正為正樣本，以發(fā)現(xiàn)追蹤目標(biāo)外觀上的變化。N約束把檢測(cè)器結(jié)果與P約束產(chǎn)生的正樣本進(jìn)行比較，選出置信度最高的位置作為T(mén)LD 跟蹤結(jié)果，并重新初始化跟蹤器。另一部分是整合器，整合器利用跟蹤模塊和檢測(cè)模塊進(jìn)行互補(bǔ)，得到跟蹤結(jié)果。

TLD 算法一定程度上解決了“消失目標(biāo)的重新檢測(cè)”問(wèn)題，遮擋發(fā)生時(shí)，目標(biāo)丟失，TLD算法不進(jìn)行標(biāo)定，遮擋結(jié)束后，目標(biāo)重新出現(xiàn)，該算法能迅速感知并進(jìn)行重新標(biāo)定。但TLD 算法的重新標(biāo)定不夠準(zhǔn)確，易導(dǎo)致相似目標(biāo)及背景聚類(lèi)的錯(cuò)判。為此，本文引入特征重檢環(huán)節(jié)，提出基于特征重檢的抗遮擋目標(biāo)跟蹤研究方法（TLD-D）。采用跟蹤、檢測(cè)、學(xué)習(xí)、再檢測(cè)的策略。跟蹤與檢測(cè)相結(jié)合，對(duì)鎖定目標(biāo)學(xué)習(xí)，獲取目標(biāo)最新特征；且根據(jù)跟蹤和檢測(cè)模塊對(duì)當(dāng)前幀的計(jì)算狀態(tài)，判斷是否有遮擋現(xiàn)象。發(fā)生遮擋則啟用特征重檢環(huán)節(jié)，提取遮擋中“遮擋開(kāi)始”和“遮擋結(jié)束”兩個(gè)關(guān)鍵幀；采用SIFT特征，設(shè)計(jì)雙向匹配重新檢測(cè)，避免相似目標(biāo)及背景聚類(lèi)的錯(cuò)判，保證后續(xù)幀跟蹤。

3 TLD-D算法

3.1 特征重檢

為避免遮擋發(fā)生時(shí)因目標(biāo)外觀相似或背景聚類(lèi)錯(cuò)判，本文在TLD基礎(chǔ)上引入特征重檢環(huán)節(jié)，特征重檢環(huán)節(jié)的設(shè)計(jì)分為三步：

步驟1 遮擋關(guān)鍵幀提取

特征重檢環(huán)節(jié)應(yīng)獨(dú)立于TLD 追蹤和檢測(cè)模塊，融合于學(xué)習(xí)模塊。結(jié)合TLD 學(xué)習(xí)模塊可知，當(dāng)遮擋出現(xiàn)目標(biāo)消失時(shí)，跟蹤器與檢測(cè)器同時(shí)進(jìn)入失效狀態(tài)，此時(shí)無(wú)標(biāo)定結(jié)果；而當(dāng)遮擋結(jié)束目標(biāo)重新出現(xiàn)時(shí)，跟蹤器與檢測(cè)器不再同時(shí)失效，此時(shí)需要進(jìn)行重新標(biāo)定。故本文在TLD 跟蹤器和檢測(cè)器同時(shí)失效時(shí)認(rèn)定遮擋開(kāi)始，提取當(dāng)前幀為“遮擋開(kāi)始”幀，并啟用特征重檢環(huán)節(jié)；當(dāng)TLD 追蹤模塊和檢測(cè)模塊不同時(shí)失效時(shí)，表示遮擋結(jié)束，提取當(dāng)前幀為“遮擋結(jié)束”幀，并用特征重檢結(jié)果代替原輸出作為“遮擋結(jié)束”幀的跟蹤結(jié)果，之后關(guān)閉特征重檢環(huán)節(jié)。特征重檢環(huán)節(jié)的開(kāi)啟與閉合通過(guò)設(shè)置標(biāo)志位來(lái)實(shí)現(xiàn)。

步驟2 特征提取

重檢特征應(yīng)有較強(qiáng)魯棒性，本文采用SIFT[17]特征對(duì)目標(biāo)重新檢測(cè)，SIFT 特征描述子的生成過(guò)程如圖3所示。

圖3 SIFT算法流程

第一步尺度空間與極值檢測(cè)，構(gòu)建高斯差分金字塔并進(jìn)行極值點(diǎn)的檢測(cè)；第二步關(guān)鍵點(diǎn)定位，在候選點(diǎn)位置上通過(guò)擬合精細(xì)模型，去除低對(duì)比度和邊緣處不穩(wěn)定的特征點(diǎn)；第三步關(guān)鍵點(diǎn)方向分配，計(jì)算關(guān)鍵點(diǎn)圖像梯度的主方向和輔助方向；第四步生成特征描述子得到SIFT 特征向量。本文對(duì)初始幀A0，“遮擋開(kāi)始”幀B1的前兩幀A1，A2以及“遮擋結(jié)束”幀B2進(jìn)行SIFT特征描述得到特征點(diǎn)集，通過(guò)雙向匹配得到匹配點(diǎn)集，取兩個(gè)方向匹配點(diǎn)集的交集作為目標(biāo)區(qū)域。

步驟3 特征匹配

在進(jìn)行特征重檢時(shí)，受到TLD 算法跟蹤模塊中前向后向跟蹤思想啟發(fā)，采用雙向匹配的思路進(jìn)行SIFT特征匹配。

正向匹配：將A0幀中目標(biāo)框內(nèi)提取的SIFT特征點(diǎn)向“遮擋結(jié)束”幀B2中的特征點(diǎn)進(jìn)行匹配，得到SIFT特征匹配點(diǎn)集，再把它們與A1目標(biāo)框中的SIFT特征點(diǎn)集進(jìn)行匹配，能夠與之匹配且落在目標(biāo)框內(nèi)的特征點(diǎn)才會(huì)作為正向匹配的結(jié)果。

反向匹配：把A2幀中已標(biāo)定的目標(biāo)框內(nèi)生成的SIFT算子向“遮擋結(jié)束”幀B2去匹配，得到SIFT匹配點(diǎn)集，再與A0幀的目標(biāo)框內(nèi)的特征點(diǎn)進(jìn)行匹配，篩選后得到反方向的結(jié)果。

正反兩個(gè)方向的特征匹配充分利用初始幀A0和遮擋開(kāi)始前兩幀A1與A2的信息，綜合正反方向信息得出特征重檢結(jié)果，利用該結(jié)果取代TLD 算法當(dāng)前幀的標(biāo)定結(jié)果，更為準(zhǔn)確。

本文將加入的特征重檢環(huán)節(jié)分為預(yù)處理和FeaDec算法兩部分，具體步驟如下：

特征重檢預(yù)處理：提取當(dāng)前幀為“開(kāi)始遮擋”幀B1。同時(shí)對(duì)B1幀前兩幀A1、A2進(jìn)行生成SIFT 特征描述得到特征描述點(diǎn)集S1、S2。

特征重檢算法（FeaDec）：

輸入：初始幀A0，當(dāng)前幀Ax。

（1）當(dāng)前幀Ax定義為“遮擋結(jié)束”幀B2。

（2）對(duì)A0、B2生成SIFT特征描述點(diǎn)集S0、Sx。

（3）正向匹配：將S0與Sx進(jìn)行匹配篩選后得到特征匹配點(diǎn)集Ra，Ra與S1再進(jìn)行匹配篩選后得到特征匹配點(diǎn)集R1。

（4）反向匹配：將S2與Sx進(jìn)行匹配篩選后，得到特征匹配點(diǎn)集Rb，Rb與S0進(jìn)行匹配篩選后得到特征匹配點(diǎn)集R2。

（5）取R1與R2的交集為特征點(diǎn)集S，以S 點(diǎn)集的中點(diǎn)為目標(biāo)中心，以A1幀和A2幀長(zhǎng)寬中值為目標(biāo)框的長(zhǎng)寬，得到新的目標(biāo)框。

（6）用該目標(biāo)框作為“遮擋結(jié)束”幀B2的標(biāo)定結(jié)果。

輸出：當(dāng)前幀B2的標(biāo)定結(jié)果。

3.2 TLD-D算法

本文在TLD算法上，引入特征重檢環(huán)節(jié)提出TLD-D算法，在初始幀指定跟蹤目標(biāo)后，每一幀的正常處理采用跟蹤、檢測(cè)、學(xué)習(xí)、再檢測(cè)的策略。跟蹤部分采用中值光流法對(duì)跟蹤目標(biāo)在當(dāng)前幀的位置進(jìn)行跟蹤和預(yù)測(cè)；檢測(cè)部分通過(guò)級(jí)聯(lián)分類(lèi)器定位每幀圖像中的目標(biāo)；學(xué)習(xí)部分綜合前兩部分，更新目標(biāo)外觀特征及獲取當(dāng)前幀的目標(biāo)位置，且根據(jù)跟蹤模塊和檢測(cè)模塊對(duì)當(dāng)前幀的計(jì)算狀態(tài)，判斷是否有遮擋現(xiàn)象，若有遮擋，進(jìn)行遮擋重檢測(cè)處理，給出跟蹤結(jié)果。

學(xué)習(xí)模塊的整合策略如下：若僅跟蹤模塊或檢測(cè)模塊生效，使用該模塊結(jié)果作為當(dāng)前幀輸出并更新另一模塊；若跟蹤模塊與檢測(cè)模塊結(jié)果并存，通過(guò)計(jì)算置信度進(jìn)行加權(quán)平均得到當(dāng)前幀跟蹤結(jié)果。

若跟蹤模塊和檢測(cè)模塊同時(shí)失效，認(rèn)定遮擋發(fā)生，按時(shí)序分為“遮擋開(kāi)始”幀、“維持遮擋”過(guò)程、“遮擋結(jié)束”幀，當(dāng)跟蹤模塊和檢測(cè)模塊第一次同時(shí)失效時(shí)，提取當(dāng)前幀作為“遮擋開(kāi)始”幀，并進(jìn)行特征重檢預(yù)處理。之后正常處理后續(xù)幀并檢查跟蹤模塊和檢測(cè)模塊對(duì)當(dāng)前幀的定位結(jié)果，若兩模塊仍同時(shí)失效，認(rèn)為處于“維持遮擋”過(guò)程，不進(jìn)行特征重檢，直到某一幀正常跟蹤后跟蹤模塊和檢測(cè)模塊中存在一個(gè)模塊生效，提取當(dāng)前幀為“遮擋結(jié)束”幀，并進(jìn)行特征重檢，利用SIFT特征進(jìn)行雙向匹配檢測(cè)目標(biāo)，確保重新標(biāo)定的目標(biāo)為原跟蹤目標(biāo)，使用重檢結(jié)果作為“遮擋結(jié)束”幀的跟蹤結(jié)果，并用該結(jié)果去更新跟蹤模塊與檢測(cè)模塊，即“再檢測(cè)”，關(guān)閉特征重檢環(huán)節(jié)繼續(xù)下一幀正常處理過(guò)程。

結(jié)合本文3.1 節(jié)中提出的特征重檢預(yù)處理過(guò)程和FeaDec 算法，給出本文提出的TLD-D 算法工作原理流程如圖4。

圖4 TLD-D算法流程

4 實(shí)驗(yàn)評(píng)估

將本文提出的TLD-D 算法與TLD 算法、同類(lèi)改進(jìn)算法[14]（TLD-A）以及經(jīng)典跟蹤算法進(jìn)行實(shí)驗(yàn)比較，重點(diǎn)分析在發(fā)生遮擋的情形下跟蹤性能。

4.1 實(shí)驗(yàn)環(huán)境和數(shù)據(jù)集：

軟硬件環(huán)境：處理器Intel 酷睿i7-7500U，CPU主頻2.70 GHz，操作系統(tǒng)64位Windows，編程環(huán)境Matlab2014a及Opencv2.4.10。

數(shù)據(jù)集：目標(biāo)跟蹤基準(zhǔn)數(shù)據(jù)集OTB[18]（Object Tracking Benchmark），OTB-2013 有50 段不同視頻序列組成，每個(gè)視頻序列都具有一種或多種標(biāo)記屬性，總計(jì)11種，分別是遮擋、形變、運(yùn)動(dòng)模糊、快速運(yùn)動(dòng)、平面內(nèi)旋轉(zhuǎn)、平面外旋轉(zhuǎn)、移出視野外、背景雜亂、低分辨率、光照變化、尺度變化等。OTB-2015[19]在OTB-2013上進(jìn)行擴(kuò)展，視頻序列總量達(dá)到100個(gè)，本文在該數(shù)據(jù)集上以中心坐標(biāo)誤差與目標(biāo)框的重疊率為評(píng)價(jià)基準(zhǔn)做了對(duì)比實(shí)驗(yàn)。

4.2 實(shí)驗(yàn)分析

本文在OTB 標(biāo)準(zhǔn)集上進(jìn)行了實(shí)驗(yàn)，在具有遮擋屬性的視頻序列上TLD-D 算法都明顯優(yōu)于TLD 算法，下面給出兩個(gè)具有遮擋屬性的典型視頻實(shí)驗(yàn)結(jié)果。

圖5 遮擋環(huán)境下的跟蹤算法結(jié)果

實(shí)驗(yàn)1 OTB 中的walking2 視頻序列，描述一名女子離去的畫(huà)面，側(cè)面走出的行人會(huì)遮擋該女子的跟蹤。跟蹤結(jié)果如圖5（a），前176 幀不存在遮擋情況，三種算法都能保持對(duì)原目標(biāo)的追蹤，第176幀一名男子從側(cè)面進(jìn)入，在第190幀時(shí)TLD算法最先受到遮擋影響發(fā)生漂移，而TLD-A 使用KCF 取代TLD 光流跟蹤器，TLD-D啟用特征重檢機(jī)制，該兩種算法具有一定抗遮擋性能，仍保持對(duì)原目標(biāo)的跟蹤。這樣直到第199 幀TLD-A 也因遮擋面積過(guò)大漂移到相似目標(biāo)上，到第236幀遮擋基本結(jié)束，但TLD-A及TLD算法沒(méi)有從遮擋中恢復(fù)，仍然對(duì)相似目標(biāo)進(jìn)行追蹤。直到380幀男子開(kāi)始離開(kāi)場(chǎng)景，相似目標(biāo)的干擾能力減弱，TLD-A才恢復(fù)了對(duì)初始跟蹤目標(biāo)的追蹤。從上述分析可知，遮擋發(fā)生后，TLD 算法錯(cuò)誤地對(duì)遮擋結(jié)束處距離最近的相似目標(biāo)跟蹤，TLD-D與TLD-A 因?yàn)橐氩煌牡挚拐趽鯔C(jī)制，能夠從相似目標(biāo)的錯(cuò)判中恢復(fù)并重新跟蹤原目標(biāo)，但TLD-A 對(duì)相似目標(biāo)的鑒別能力較TLD-D 偏弱，在部分幀與TLD 算法同樣陷入遮擋錯(cuò)判問(wèn)題。

實(shí)驗(yàn)2 OTB 基準(zhǔn)集中的subway 視頻序列，該視頻描述的是在人行道上人來(lái)人往的場(chǎng)景，跟蹤如圖5（b）。對(duì)于該視頻序列，前37幀都能正常跟蹤該行人，跟蹤效果較好。從第38 幀開(kāi)始，所跟蹤的行人與過(guò)往的行人有所交疊，發(fā)生遮擋。第42 幀起TLD 算法錯(cuò)把過(guò)往行人認(rèn)定為跟蹤目標(biāo)，另兩種算法未受到相似目標(biāo)影響，第76 幀再次與過(guò)往行人發(fā)生遮擋，TLD-A 與TLD-D 仍能跟蹤原目標(biāo)，但TLD-A算法的位置不夠精確，在79幀最明顯，84幀遮擋結(jié)束，TLD-A恢復(fù)對(duì)原目標(biāo)的準(zhǔn)確跟蹤，TLD陷入相似目標(biāo)追蹤無(wú)法恢復(fù)，TLD-D位置精度較好且無(wú)錯(cuò)判現(xiàn)象。

進(jìn)一步進(jìn)行定量分析，TLD、TLD-D、TLD-A三種算法在處理遮擋情況的跟蹤精度對(duì)比曲線如圖6所示，引入抗遮擋機(jī)制后，跟蹤算法的精度有明顯提升。圖6（a）中walking2序列下TLD-A由于跟蹤模塊使用優(yōu)于光流法的KCF 跟蹤器，從TLD的0.762上升至0.853，TLD-D引入的特征重檢機(jī)制要優(yōu)于TLD-A 的抗遮擋機(jī)制，平均精度在walking2 序列下達(dá)到0.928。subway 序列下，TLD-A（0.862）較TLD（0.732）提升0.130。TLD-D算法表現(xiàn)更佳，精度達(dá)到0.915。walking2 和subway 兩個(gè)視頻序列存在遮擋過(guò)程，TLD-D加入特征重檢機(jī)制后，對(duì)遮擋恢復(fù)后的重新標(biāo)定更為準(zhǔn)確，確保后續(xù)跟蹤的目標(biāo)為原目標(biāo)，使跟蹤平均精度明顯提升，抗遮擋性能更好。

圖6 視頻序列上的跟蹤精度曲線

OTB 基準(zhǔn)集中100 個(gè)視頻全部運(yùn)行后的平均實(shí)驗(yàn)精度曲線如圖7（a），考慮到OTB 基準(zhǔn)集作為目標(biāo)跟蹤數(shù)據(jù)集的全面性，以及多種因素的共同作用，100個(gè)視頻中以遮擋因素為主要屬性的視頻序列效果提升明顯，而以其他因素為主的視頻序列性能提升不多。由平均精度可知，TLD-A算法（0.596）在TLD算法（0.573）基礎(chǔ)上提升了0.023。本文所提TLD-D（0.635）算法比改進(jìn)算法TLD-A算法精度提升0.039，較TLD算法提升0.062。

圖7 跟蹤對(duì)比結(jié)果

在OTB中具有遮擋屬性序列的視頻上，本文TLD-D算法與經(jīng)典跟蹤算法相比較，跟蹤精度曲線如圖7（b）所示，TLD-D算法在這些視頻序列上表現(xiàn)良好，跟蹤精度從TLD算法的0.696提升至0.886，也優(yōu)于同類(lèi)改進(jìn)TLD的TLD-A（0.753）算法，與經(jīng)典算法的對(duì)比中也展現(xiàn)出良好抗遮擋性能。

實(shí)驗(yàn)表明，特征重檢環(huán)節(jié)增強(qiáng)了遮擋情形下算法對(duì)場(chǎng)景中相似目標(biāo)的辨識(shí)能力，在存在遮擋的場(chǎng)景下，對(duì)目標(biāo)長(zhǎng)時(shí)間跟蹤表現(xiàn)出強(qiáng)魯棒性。

5 結(jié)束語(yǔ)

本文針對(duì)視覺(jué)目標(biāo)跟蹤的遮擋問(wèn)題進(jìn)行了深入研究，在TLD算法框架基礎(chǔ)上，設(shè)計(jì)了一種基于特征重檢的抗遮擋目標(biāo)跟蹤方法TLD-D，首先根據(jù)跟蹤模塊和檢測(cè)模塊對(duì)當(dāng)前幀的計(jì)算狀態(tài)，判別是否有遮擋現(xiàn)象。若出現(xiàn)遮擋，提取出遮擋過(guò)程中“遮擋開(kāi)始”和“遮擋結(jié)束”兩個(gè)關(guān)鍵幀，對(duì)“遮擋開(kāi)始”幀進(jìn)行特征重檢預(yù)處理，對(duì)“遮擋結(jié)束”幀進(jìn)行特征重檢，使用SIFT 作為特征重檢所使用的特征，在特征匹配上新定義了正反兩個(gè)方向進(jìn)行雙向匹配，提高重檢的準(zhǔn)度。

對(duì)于OTB 基準(zhǔn)集中具有遮擋因素的視頻序列，改進(jìn)后的TLD-D 算法都明顯優(yōu)于TLD 算法，同時(shí)在OTB基準(zhǔn)集100 個(gè)視頻上的平均性能也有所提升。實(shí)驗(yàn)可知，遮擋因素僅是跟蹤一個(gè)側(cè)面，對(duì)目標(biāo)跟蹤的其他影響因素也進(jìn)行改進(jìn)才能讓總的平均性能得到比較高的提升。未來(lái)工作會(huì)在本文基礎(chǔ)上進(jìn)行改進(jìn)。