基于彈目關(guān)系的多尺度跟蹤方法研究?

石勝斌 陳 棟 胡子陽 雷 鳴

（1.陸軍炮兵防空兵學(xué)院高過載彈藥制導(dǎo)控制與信息感知實(shí)驗(yàn)室 合肥 230031）

（2.陸軍炮兵防空兵學(xué)院研究生大隊(duì) 合肥 230031）

1 引言

目標(biāo)跟蹤技術(shù)在軍事、醫(yī)學(xué)、交通等領(lǐng)域有著非常廣泛的應(yīng)用，是計(jì)算機(jī)視覺領(lǐng)域重要的基礎(chǔ)性研究課題之一［1～2］。近十幾年來，無模型目標(biāo)跟蹤技術(shù)雖取得了較大進(jìn)展，但由于目標(biāo)圖像受幾何形變、光照變化、局部遮擋、快速運(yùn)動(dòng)等問題的影響，使得無模型目標(biāo)跟蹤仍是一個(gè)難題［3］。近幾年，相關(guān)濾波方法［4～5］被引入視覺跟蹤領(lǐng)域，并就跟蹤過程中存在的常見問題對算法做出了相應(yīng)調(diào)整和改進(jìn)，在實(shí)時(shí)性和魯棒性方面都有著不錯(cuò)的效果。同時(shí)，由于相關(guān)濾波類算法原理簡單，可操作性強(qiáng)，對特定目標(biāo)作針對性調(diào)整可取得較為理想的效果。

在精確制導(dǎo)領(lǐng)域，目標(biāo)跟蹤技術(shù)作為關(guān)鍵一環(huán)，其性能的優(yōu)劣直接影響了打擊效果的好壞。導(dǎo)彈在接近目標(biāo)的過程中，視場中目標(biāo)的尺度是勢必會發(fā)生變化［6～7］。傳統(tǒng)相關(guān)濾波算法為單一尺度估計(jì)，在目標(biāo)尺度發(fā)生變化時(shí)，跟蹤誤差會不斷積累并最終導(dǎo)致跟蹤失敗。尺度自適應(yīng)與多特征融合跟蹤器（Scale-adaptive and Multi Feature Integration Tracker，SAMF）［8］和強(qiáng)判別性尺度空間跟蹤器（Discriminative Scale Space Tracker，DSST）［9］是 目前基于相關(guān)濾波器的目標(biāo)跟蹤算法中，能夠有效解決目標(biāo)尺度變化問題的代表算法。DSST算法通過加入與位置濾波器獨(dú)立的尺度濾波器，雖然跟蹤效果有所提升，但該算法的計(jì)算量明顯增加，無法滿足彈載平臺對于實(shí)時(shí)性的要求［10］。SAMF算法通過加入尺度池，既在確定目標(biāo)區(qū)域時(shí)對初始目標(biāo)做若干尺度的縮放，經(jīng)相關(guān)濾波器得到最大響應(yīng)值所對應(yīng)的尺度即為此時(shí)目標(biāo)尺度，雖然其魯棒性不及DSST算法，但該算法原理簡單，計(jì)算量小，能夠滿足實(shí)時(shí)性要求［11］。

本文基于SAMF算法，結(jié)合彈目運(yùn)動(dòng)關(guān)系，對尺度池參數(shù)的選取進(jìn)行探究，通過對比實(shí)驗(yàn)分析，以找出能夠有效解決彈載目標(biāo)跟蹤中的尺度變化問題，同時(shí)能兼顧實(shí)時(shí)性的要求。

2 SAMF算法

2.1 算法原理

SAMF算法是核化相關(guān)濾波器（High-Speed Tracking with Kernelized Correlation Filters，KCF）［12］的改進(jìn)算法，該算法的貢獻(xiàn)主要有兩點(diǎn)：一是將單一HOG特征拓展為HOG+CN+Gary的多特征融合，主要方法如下：

x是傳統(tǒng)KCF算法中單一HOG特征，而xc中是三種特征的融合。算法相當(dāng)于將三種特征進(jìn)行簡單的矢量疊加［13］。

圖1 SAMF算法示意圖

二是尺度的改進(jìn)，由于KCF算法為單一尺度，當(dāng)目標(biāo)的尺度發(fā)生變化時(shí)會導(dǎo)致跟蹤精度的下降。SAMF算法中引入尺度池的策略，論文中尺度池 為 Pools=｛0.985，0.99，0.995，1.0，1.005，1.01，1.015｝，既步長為0.005的7個(gè)尺度。其思想很簡單，就是在確定目標(biāo)區(qū)域時(shí)對初始目標(biāo)做若干個(gè)尺度的縮放，經(jīng)相關(guān)濾波器得到對應(yīng)響應(yīng)值，最大響應(yīng)值所對應(yīng)的尺度即為此時(shí)目標(biāo)尺度。算法的示意圖如圖1。

2.2 跟蹤效果

我們使用KCF算法和SAMF算法以及本文算法在同一視頻序列上進(jìn)行跟蹤測試，目標(biāo)為1：30坦克模型，利用無人機(jī)攜帶攝像頭由高到低拍攝，實(shí)驗(yàn)結(jié)果如圖2所示。

圖2 跟蹤效果圖

由圖2可知，三種算法均能基本鎖定每幀中目標(biāo)位置。由于KCF算法對應(yīng)跟蹤框沒有隨目標(biāo)的尺度變化而變化，僅得到了目標(biāo)部分紋理信息；SAMF算法雖有一定的尺度調(diào)整，但由于目標(biāo)尺度變化較快，跟蹤器的尺度估計(jì)跟不上目標(biāo)的尺度變換，同樣也僅得到部分紋理信息。而本文的改進(jìn)算法具有較好的跟蹤效果。

3 尺度池改進(jìn)與結(jié)果分析

3.1 參數(shù)數(shù)目選擇

SAMF算法中的尺度池包含7個(gè)尺度，參數(shù)的選取應(yīng)兼顧跟蹤器的精確度與實(shí)時(shí)性。尺度參數(shù)越多并不意味著精度越高，因?yàn)橐坏┌l(fā)生偏差會導(dǎo)致誤差積累，最終導(dǎo)致跟蹤失敗。本實(shí)驗(yàn)首先令尺度池參數(shù)步長不變，改變參數(shù)數(shù)目，如表1所示。

表1 尺度池選擇

通過在OTB50［14］中具有尺度變化的數(shù)據(jù)集上進(jìn)行測試，結(jié)果如下。

圖3 OTB測試結(jié)果

由實(shí)驗(yàn)結(jié)果可知，當(dāng)采用7個(gè)尺度時(shí)效果最好，不過3個(gè)尺度的跟蹤精度雖降低了3%，但其跟蹤速度卻提升了70%，故本文采用3個(gè)尺度的SAMF算法。

3.2 彈目運(yùn)動(dòng)關(guān)系簡化模型

本實(shí)驗(yàn)采用無人機(jī)攝像機(jī)模擬彈載攝像頭，故將運(yùn)動(dòng)模型簡化，假定無人機(jī)向目標(biāo)區(qū)域的運(yùn)動(dòng)為勻速直線運(yùn)動(dòng)。示意圖如圖4所示。

圖4 彈目運(yùn)動(dòng)關(guān)系示意圖

設(shè)每幀目標(biāo)尺度變化率為k，目標(biāo)尺寸為S0，背景尺寸分別為S，S’則有：

設(shè)無人機(jī)運(yùn)動(dòng)速度為v，初始高度為h，算法幀率為f，則在1s內(nèi)：

無人機(jī)的運(yùn)動(dòng)速度v≈10m/s，起始高度h≈14m，幀率f=65fps由此可得：k≈1.02。故尺度池設(shè)定為｛1.00，1.01，1.02｝。

3.3 對比實(shí)驗(yàn)與分析

根據(jù)所得結(jié)果，我們將本文算法與單一尺度的KCF算法以及傳統(tǒng)SAMF算法進(jìn)行對比，通過計(jì)算三種算法的跟蹤重疊率［15］，既計(jì)算預(yù)測框與標(biāo)準(zhǔn)框的重疊面積占標(biāo)準(zhǔn)框面積的百分比，以達(dá)到定量評估的目的，實(shí)驗(yàn)配置及運(yùn)行環(huán)境為

名稱CPU配置Core i5-7300HQ操作系統(tǒng)內(nèi)存圖像處理8G MATLAB2015、OpenCV3.1.1微軟Windows 10

實(shí)驗(yàn)結(jié)果如圖5所示。

圖5 三種算法重疊率

由實(shí)驗(yàn)結(jié)果可知，在彈目運(yùn)動(dòng)關(guān)系已知的前提下，針對特定的視頻序列，本文算法精度較單一尺度的KCF算法提升了67.1%，較傳統(tǒng)SAMF算法提升了36.7%，且能夠滿足實(shí)時(shí)性要求。

4 結(jié)語

本文針對彈載視頻目標(biāo)的尺度變化問題，在已知導(dǎo)彈與目標(biāo)運(yùn)動(dòng)關(guān)系的前提下，通過對SAMF算法中尺度池的參數(shù)選取進(jìn)行改進(jìn)，使得其跟蹤效果得到大幅提升，雖然本文的彈目運(yùn)動(dòng)關(guān)系模型較為簡單，但本實(shí)驗(yàn)充分證明了該方法的可行性，為實(shí)現(xiàn)尺度自適應(yīng)的彈載視頻圖像目標(biāo)跟蹤提供了新的思路。