自適應(yīng)空間異常的目標(biāo)跟蹤

姜文濤 劉曉璇 涂 潮 金 巖

(遼寧工程技術(shù)大學(xué)軟件學(xué)院 葫蘆島 125105)

1 引言

目標(biāo)跟蹤是計(jì)算機(jī)視覺領(lǐng)域[1,2]中的一個(gè)熱點(diǎn)問題，即在第1幀框選出目標(biāo)區(qū)域后，對(duì)目標(biāo)進(jìn)行順序定位。此技術(shù)廣泛應(yīng)用于現(xiàn)代化軍事[3,4]、無人駕駛[5,6]等領(lǐng)域。盡管目標(biāo)跟蹤在近些年間已獲得了一定的成果，但仍因其在線學(xué)習(xí)的性質(zhì)，目標(biāo)物體會(huì)出現(xiàn)遮擋、形變、運(yùn)動(dòng)模糊等類型的挑戰(zhàn)，目標(biāo)跟蹤仍然是一項(xiàng)有挑戰(zhàn)性的學(xué)術(shù)研究。

基于相關(guān)濾波框架的目標(biāo)跟蹤[7,8]，具有足夠的跟蹤精度和較高的運(yùn)行速度，在近幾年廣泛應(yīng)用于處理上述問題，并取得了較好的成果。此類算法是從在線樣本集中訓(xùn)練相關(guān)濾波器，轉(zhuǎn)換到頻域后計(jì)算相關(guān)響應(yīng)值，響應(yīng)值最大的位置即為目標(biāo)區(qū)域[9,10]。2014年，Henriques等人[11]提出了核相關(guān)濾波(Kernelized Correlation Filters, KCF)跟蹤算法，引入循環(huán)矩陣，加大了訓(xùn)練樣本集的數(shù)量；引入高斯核函數(shù)，將低維空間的非線性問題轉(zhuǎn)化為高維空間的線性問題，簡(jiǎn)化計(jì)算。由于跟蹤過程中搜索區(qū)域是有限的，此算法在訓(xùn)練和檢測(cè)樣本時(shí)的循環(huán)移位操作會(huì)使得生成的樣本進(jìn)行周期性的擴(kuò)展，從而導(dǎo)致邊界效應(yīng)。針對(duì)這一問題，2015年，Danelljan等人[12]在目標(biāo)函數(shù)中加入了空間正則項(xiàng)，提出空間正則化相關(guān)濾波(Spatially Regularized Discriminant Correlation Filters, SRDCF)算法，通過設(shè)置一個(gè)負(fù)高斯形狀的權(quán)重矩陣，加大目標(biāo)區(qū)域的權(quán)重，降低邊緣區(qū)域的權(quán)重，從而緩解邊界效應(yīng)，具有較好的跟蹤效果，但跟蹤速度較慢，無法達(dá)到實(shí)時(shí)跟蹤；同一時(shí)期，Galoogahi等人[13]提出有限邊界相關(guān)濾波(Correlation Filters with Limited Boundaries,CFLB)算法，加入掩模矩陣，也是通過空間約束的方式去除訓(xùn)練相關(guān)濾波器時(shí)所帶來的邊界效應(yīng)問題。2017年，Galoogahi等人[14]在CFLB的基礎(chǔ)上提出背景感知相關(guān)濾波(Background-Aware Correlation Filters, BACF)算法，利用來自背景信息的負(fù)樣本訓(xùn)練相關(guān)濾波器，并進(jìn)行樣本裁剪，篩選出每個(gè)樣本的有效區(qū)域，增加了樣本數(shù)量的同時(shí)又能夠保證樣本的質(zhì)量。隨后，2018年，Li等人[15]在SRDCF算法的基礎(chǔ)上加入時(shí)間正則項(xiàng)，提出時(shí)空正則化相關(guān)濾波(Spatial-Temporal Regularized Correlation Filters, STRCF)算法，控制相鄰兩幀之間的濾波器，避免濾波器發(fā)生退化；并且不再記錄從開始到結(jié)束所有幀的樣本信息，只需記錄單個(gè)樣本信息，降低運(yùn)算成本。

以上這些方法構(gòu)造的正則項(xiàng)都沒有與樣本建立聯(lián)系，當(dāng)出現(xiàn)遮擋、旋轉(zhuǎn)或其他背景干擾的情況時(shí)，算法可能無法提取出可靠的權(quán)重矩陣，易出現(xiàn)漂移，進(jìn)而導(dǎo)致跟蹤失敗。因此，Dai等人[16]在BACF算法的基礎(chǔ)上與目標(biāo)建立聯(lián)系，提出自適應(yīng)空間正則化相關(guān)濾波(Adaptive Spatially-Regularized Correlation Filters, ASRCF)算法，該算法能夠根據(jù)目標(biāo)的變化，對(duì)空間正則項(xiàng)權(quán)重進(jìn)行更新，使得算法在訓(xùn)練濾波器時(shí)對(duì)非目標(biāo)區(qū)域的懲罰更加精準(zhǔn)。但是由于該算法采取逐幀更新的方式，對(duì)快速運(yùn)動(dòng)、運(yùn)動(dòng)模糊等一些異常情況的處理不夠魯棒。Li等人[17]在STRCF算法的基礎(chǔ)上提出了自動(dòng)時(shí)空正則化目標(biāo)跟蹤(automatic spatio-temporal regularization Tracking, AutoTrack)算法，通過設(shè)置局部響應(yīng)變量，確定空間懲罰的權(quán)重；通過設(shè)置全局響應(yīng)變量，控制濾波器的更新速率。但是該算法通過計(jì)算搜索區(qū)域內(nèi)每個(gè)像素的可信度對(duì)空間正則項(xiàng)的參數(shù)進(jìn)行更新，當(dāng)目標(biāo)變化較大時(shí)，無法及時(shí)學(xué)習(xí)到外觀模型，易造成跟蹤失敗。

另外還有Huang等人[18]在BACF算法的基礎(chǔ)上提出的異常抑制相關(guān)濾波(Aberrance Repressed Correlation Filters, ARCF)算法，通過抑制檢測(cè)過程中出現(xiàn)的異常，避免了因引入過多背景噪聲而使跟蹤結(jié)果可信度降低的問題。

STRCF算法采用SRDCF算法的負(fù)高斯形狀空間權(quán)重矩陣，降低了目標(biāo)邊緣區(qū)域的權(quán)重，緩解了邊界效應(yīng)。但是固定的空間權(quán)重存在當(dāng)目標(biāo)出現(xiàn)遮擋、旋轉(zhuǎn)等異常情況時(shí)，模型學(xué)習(xí)到錯(cuò)誤信息，易造成跟蹤漂移這一問題。因此，本文通過對(duì)以上算法的研究，在STRCF算法框架的基礎(chǔ)上，提出了一種自適應(yīng)空間異常的目標(biāo)跟蹤算法。本文的主要工作為：(1)定義目標(biāo)函數(shù)時(shí)，加入自適應(yīng)的空間正則項(xiàng)，融入樣本信息，更加精確地懲罰非目標(biāo)區(qū)域的權(quán)重，實(shí)現(xiàn)空間自適應(yīng)性；(2)目標(biāo)函數(shù)求解時(shí)，采用交替方向乘子法(Alternating Direction Multipliers Method, ADMM)[19]，降低算法的復(fù)雜度；(3)模型更新時(shí)，融入異常分析策略，即利用從之前連續(xù)幀中學(xué)習(xí)到的響應(yīng)值模型與當(dāng)前幀的響應(yīng)值進(jìn)行計(jì)算，得到一個(gè)驗(yàn)證分?jǐn)?shù)，并利用該驗(yàn)證分?jǐn)?shù)進(jìn)行異常分析，控制模型的學(xué)習(xí)速率，從而削減不必要的學(xué)習(xí)，強(qiáng)化必要的學(xué)習(xí)，進(jìn)一步提高了跟蹤算法的自適應(yīng)能力。

2 時(shí)空正則化相關(guān)濾波算法原理

該算法在目標(biāo)函數(shù)中引入的負(fù)高斯形狀的空間權(quán)重矩陣，有效緩解了邊界效應(yīng)的問題。但是由于該權(quán)重是固定的，在跟蹤過程中無法根據(jù)樣本信息進(jìn)行更新，一些目標(biāo)外觀特殊變化場(chǎng)景下的跟蹤效果較不穩(wěn)定。

因此，本文針對(duì)STRCF算法的空間權(quán)重問題，在目標(biāo)函數(shù)中構(gòu)造自適應(yīng)空間正則項(xiàng)，與樣本信息建立聯(lián)系，從而得到一個(gè)更加魯棒的外觀模型；并且針對(duì)跟蹤過程中目標(biāo)旋轉(zhuǎn)、背景模糊等異常情況下失跟率較高的問題，融入異常分析策略，實(shí)現(xiàn)自適應(yīng)的模型更新速率。

3 自適應(yīng)空間異常的目標(biāo)跟蹤

3.1 目標(biāo)函數(shù)模型

3.2 目標(biāo)函數(shù)優(yōu)化

由于式(3)為凸光滑可微函數(shù)，可采用交替方向乘子法(ADMM)進(jìn)行迭代求解，以降低算法的復(fù)雜度，優(yōu)化跟蹤速度。其增廣拉格朗日形式[20]可以表示為

3.3 目標(biāo)定位

3.4 異常分析

在目標(biāo)跟蹤過程中，由于搜索區(qū)域內(nèi)包含較多的背景噪聲，當(dāng)目標(biāo)發(fā)生遮擋、旋轉(zhuǎn)或其他原因引起的外觀變化時(shí)，易出現(xiàn)異常情況，從而使相關(guān)濾波器的訓(xùn)練不夠準(zhǔn)確，更降低了跟蹤結(jié)果的可信度。因此，本文提出異常分析機(jī)制，當(dāng)目標(biāo)與目標(biāo)模型發(fā)生較大差異時(shí)，會(huì)判定出現(xiàn)異常情況。

本文利用響應(yīng)圖能夠揭示目標(biāo)模型和目標(biāo)對(duì)象之間相似性的特性，來估計(jì)當(dāng)前幀檢測(cè)到的目標(biāo)和目標(biāo)模型的相似值。本文設(shè)置驗(yàn)證分?jǐn)?shù)score為驗(yàn)證標(biāo)準(zhǔn)，其值定義為

圖1 視頻序列異常分析示意圖

從圖1可以發(fā)現(xiàn)，當(dāng)目標(biāo)正常平穩(wěn)運(yùn)動(dòng)時(shí)，目標(biāo)外觀的變化程度可以忽略不計(jì)，得到的驗(yàn)證分?jǐn)?shù)會(huì)穩(wěn)定在較高的數(shù)值；當(dāng)目標(biāo)出現(xiàn)運(yùn)動(dòng)模糊或者平面內(nèi)/外旋轉(zhuǎn)等目標(biāo)模型的形變程度較小情況時(shí)，驗(yàn)證分?jǐn)?shù)值相應(yīng)減??；當(dāng)目標(biāo)發(fā)生遮擋或者出視野等目標(biāo)模型的形變程度較大的情況時(shí)，驗(yàn)證分?jǐn)?shù)數(shù)值大幅度降低。

本文所設(shè)計(jì)的驗(yàn)證分?jǐn)?shù)通過計(jì)算目標(biāo)外觀模型的變化程度，進(jìn)行異常分析，并驗(yàn)證跟蹤結(jié)果的可信度。

3.5 模型更新

大多數(shù)目標(biāo)跟蹤算法在更新特征模型時(shí)，選擇逐幀的方式進(jìn)行更新，訓(xùn)練相關(guān)濾波器，增加計(jì)算量的同時(shí)忽視了對(duì)當(dāng)前幀跟蹤結(jié)果的檢測(cè)。盲目地更新特征模型會(huì)使濾波器學(xué)習(xí)到錯(cuò)誤的對(duì)象，從而導(dǎo)致跟蹤失敗。

為此，本文提出了一個(gè)新的模型更新機(jī)制，在視頻輸入第1幀圖像時(shí)，生成特征模型，并訓(xùn)練相關(guān)濾波器。然后用訓(xùn)練好的相關(guān)濾波器與目標(biāo)區(qū)域做相關(guān)運(yùn)算，得到響應(yīng)圖模型。在后續(xù)幀的跟蹤過程中，通過驗(yàn)證分?jǐn)?shù)的值控制目標(biāo)特征模型和響應(yīng)圖模型的更新。

從第2幀開始，根據(jù)每一幀生成的驗(yàn)證分?jǐn)?shù)，利用sigmoid函數(shù)，動(dòng)態(tài)分配特征模型的學(xué)習(xí)率η和響應(yīng)圖模型的學(xué)習(xí)率σ。

如圖2所示，藍(lán)色曲線為函數(shù)經(jīng)過平移、伸縮變換后的函數(shù)圖像。

式(24)中，α和β為學(xué)習(xí)參數(shù)。由于本文設(shè)定score的取值區(qū)間為[0, 10]，且在區(qū)間[6.5, 9.5]中波動(dòng)較大。如圖2所示，紅色曲線為sigmoid原始函數(shù)曲線，函數(shù)自變量在區(qū)間[-5, 5]中波動(dòng)較大，所以通過對(duì)參數(shù)a和b取值3.3和7.57，對(duì)函數(shù)圖像進(jìn)行平移、伸縮變換，將波動(dòng)區(qū)間控制在[6.5, 9.5]中，得到藍(lán)色曲線。

圖2 參數(shù)取值示意圖

與其他基于相關(guān)濾波器的目標(biāo)跟蹤算法相比，改變只學(xué)習(xí)目標(biāo)特征模型這一傳統(tǒng)模式。本文不僅更新了目標(biāo)特征模型，而且還更新了響應(yīng)圖模型。且該模型更新的設(shè)計(jì)方式能夠使算法根據(jù)目標(biāo)的形變程度，自適應(yīng)增強(qiáng)或者降低框架中模型的更新速率。

圖3為同一視頻序列加入自適應(yīng)模型更新前后的驗(yàn)證分?jǐn)?shù)曲線，從圖中可以看出，加入自適應(yīng)更新后，驗(yàn)證分?jǐn)?shù)的值上下起伏波動(dòng)相較平緩，證明每幀的跟蹤結(jié)果均相差不大。由此可見，本文所設(shè)計(jì)的模型更新策略，利用驗(yàn)證分?jǐn)?shù)控制模型的更新速率，實(shí)現(xiàn)了根據(jù)跟蹤結(jié)果的可信度，自適應(yīng)選擇外觀模型和響應(yīng)圖模型的更新率，能夠有效增強(qiáng)跟蹤算法的魯棒性。

4 算法步驟

自適應(yīng)空間異常的目標(biāo)跟蹤算法步驟如下：

(1)初始幀建模：框選出初始幀中的目標(biāo)區(qū)域，使用STRCF算法中負(fù)高斯形狀的權(quán)重矩陣對(duì)本文算法的自適應(yīng)空間正則項(xiàng)權(quán)重進(jìn)行初始化。同時(shí)提取目標(biāo)區(qū)域的特征，建立特征模型，訓(xùn)練相關(guān)濾波器，得到響應(yīng)圖模型。

(2)目標(biāo)定位：確定搜索區(qū)域，提取特征，與上一幀訓(xùn)練好的濾波器作相關(guān)運(yùn)算，得到響應(yīng)圖，取響應(yīng)圖中值最大處為目標(biāo)中心。

(3)權(quán)重更新：通過式(14)更新自適應(yīng)空間正則項(xiàng)權(quán)重，并進(jìn)行濾波器訓(xùn)練。

(4)模型更新：根據(jù)式(20)計(jì)算得到的驗(yàn)證分?jǐn)?shù)，進(jìn)行異常分析，利用式(21)分配動(dòng)態(tài)更新速率控制特征模型和響應(yīng)圖模型的更新。

(5)循環(huán)跟蹤：執(zhí)行步驟(2)，繼續(xù)對(duì)下一幀圖像進(jìn)行濾波器訓(xùn)練與模型更新。

本文算法是基于時(shí)空正則化相關(guān)濾波算法進(jìn)行改進(jìn)，因此選用STRCF算法作為基礎(chǔ)框架。本文算法總體框架如圖4所示。

圖3 自適應(yīng)模型更新前后的驗(yàn)證分?jǐn)?shù)曲線

5 實(shí)驗(yàn)驗(yàn)證與分析

5.1 實(shí)驗(yàn)環(huán)境及參數(shù)配置

本文實(shí)驗(yàn)的操作系統(tǒng)為MacOS Catalina 10.15.7，選用的編程環(huán)境為GNU Octave，處理器為2.9 GHz雙核Intel Core i7，內(nèi)存為8 GB。

在本實(shí)驗(yàn)中，搜索區(qū)域選定邊長為50像素點(diǎn)的正方形區(qū)域，目標(biāo)函數(shù)中正則項(xiàng)系數(shù)λ1,λ2設(shè)定為1.20和0.005，使用ADMM算法求解的迭代次數(shù)為2，參數(shù)γ=1,μ=1；模型更新時(shí)，特征模型的更新參數(shù)α=0.02，響應(yīng)圖模型的更新參數(shù)β=0.9。本文算法的提取方式與STRCF算法的手工特征提取方式相同，為HOG和CN融合提取。其余參數(shù)與本文基線算法STRCF的參數(shù)設(shè)置保持一致。

為了對(duì)自適應(yīng)空間異常的目標(biāo)跟蹤算法進(jìn)行綜合性能評(píng)估，本文選取了數(shù)據(jù)集OTB50和OTB100進(jìn)行實(shí)驗(yàn)。數(shù)據(jù)集包括遮擋、運(yùn)動(dòng)模糊、復(fù)雜背景等11種不同屬性，選取一次性通過評(píng)價(jià)(One-time Pass Evaluation, OPE)進(jìn)行實(shí)驗(yàn)分析，并將跟蹤成功率、準(zhǔn)確率和跟蹤速度作為評(píng)價(jià)指標(biāo)。

5.2 實(shí)驗(yàn)結(jié)果分析

圖4 總體框架圖

為了驗(yàn)證本文算法對(duì)受到光照變化、遮擋、形變等異常情況影響的跟蹤具有優(yōu)越性，在同一實(shí)驗(yàn)平臺(tái)上，本文算法與近年其他效果較好的算法進(jìn)行了大量的對(duì)比實(shí)驗(yàn)。對(duì)比算法有8種，分別是本文基線算法STRCF(2018)引用時(shí)間和空間正則項(xiàng)，以及SRDCF(2016)加入負(fù)高斯形狀的空間權(quán)重；Staple[21](2016)算法使用梯度和顏色融合的特征提取方式；BACF(2017)裁剪樣本，訓(xùn)練分類器，提高樣本質(zhì)量；ECO[22](2017)簡(jiǎn)化訓(xùn)練集，通過減少模型參數(shù)加快跟蹤速度；ARCF(2019)抑制跟蹤過程中出現(xiàn)的異常情況；ASRCF(2019)加入自適應(yīng)空間正則項(xiàng)處理遮擋問題；AutoTrack(2020)引入局部響應(yīng)變量以實(shí)現(xiàn)自適應(yīng)的時(shí)空正則項(xiàng)。

5.2.1 定性分析

圖5為兩個(gè)數(shù)據(jù)集中具有快速運(yùn)動(dòng)、目標(biāo)旋轉(zhuǎn)等11種不同屬性的視頻序列，可以看出，與8種算法的對(duì)比中，本文算法的跟蹤性能較優(yōu)。

(1)運(yùn)動(dòng)模糊、超出視野。從圖5(a)可以看到，序列Board中，在第122幀之前，各算法均能準(zhǔn)確跟蹤到目標(biāo)。在第122幀時(shí)，目標(biāo)開始逐漸超出視野，第489幀目標(biāo)回到視野中央，此時(shí)ARCF,Staple和AutoTrack無法準(zhǔn)確適應(yīng)目標(biāo)的外觀變化，在第571～581幀時(shí)，目標(biāo)與攝像機(jī)同時(shí)抖動(dòng)，出現(xiàn)運(yùn)動(dòng)模糊，此時(shí)ASRCF, SRDCF, BACF和ECO由于學(xué)習(xí)到了錯(cuò)誤的背景信息，因此跟蹤過程相繼出現(xiàn)漂移現(xiàn)象，到第665幀時(shí)，SRDCF,Staple, ARCF和AutoTrack徹底跟蹤失敗。在整個(gè)視頻序列中，只有本文算法和ASRCF算法能夠準(zhǔn)確跟蹤到目標(biāo)。這是因?yàn)樽赃m應(yīng)的空間正則項(xiàng)能夠有效處理運(yùn)動(dòng)模糊和超出視野的問題。

圖5 各種算法在部分序列上的跟蹤結(jié)果對(duì)比

(2)非剛性形變、平面內(nèi)/外旋轉(zhuǎn)。非剛性形變是指目標(biāo)在跟蹤過程中外觀的改變，是跟蹤過程中最常見的問題。在圖5(a)序列Board、圖5(b)序列DragonBaby以及圖5(c)序列g(shù)irl上出現(xiàn)了由目標(biāo)發(fā)生平面內(nèi)/外旋轉(zhuǎn)造成的形變，圖5(f)序列soccer和圖5(g)序列l(wèi)emming出現(xiàn)了由遮擋造成的形變。在視頻序列g(shù)irl中，在第116幀之前，各算法均可準(zhǔn)確跟蹤到目標(biāo)。從第116～259幀，目標(biāo)出現(xiàn)了兩次平面外旋轉(zhuǎn)，第298～342幀，目標(biāo)發(fā)生了兩次平面內(nèi)旋轉(zhuǎn)。在這期間，SRDCF, ASRCF, ARCF,AutoTrack無法準(zhǔn)確地更新目標(biāo)的特征模型，只跟蹤到目標(biāo)一部分，在第411幀時(shí)，由于ECO,Staple, ARCF, STRCF和BACF沒有自適應(yīng)的空間正則項(xiàng)，所以當(dāng)目標(biāo)被相似物體遮擋時(shí)，無法降低被遮擋區(qū)域的權(quán)重，造成跟蹤失敗。由此可見，本文算法在處理平面內(nèi)/外旋轉(zhuǎn)變化和非剛性形變時(shí)的跟蹤效果較好。

(3)快速運(yùn)動(dòng)。從圖5(b)序列DragonBaby中可以看到，從第31幀開始，BACF, SRDCF, ASRCF出現(xiàn)漂移，在第52～83幀，ARCF, Staple和ECO相繼出現(xiàn)跟蹤漂移。第92幀，目標(biāo)快速運(yùn)動(dòng)，尺度也發(fā)生了變化，BACF, ASRCF, ARCF和Staple沒有及時(shí)跟蹤到目標(biāo)，跟蹤失敗。從初始幀到最后，目標(biāo)發(fā)生快速運(yùn)動(dòng)和多次旋轉(zhuǎn)，只有本文算法沒有出現(xiàn)漂移。這是由于本文提出的異常分析機(jī)制，能夠檢測(cè)出異常情況，自適應(yīng)提高或降低特征模型的更新率，使算法在處理快速運(yùn)動(dòng)的問題時(shí)具備較好的魯棒性。

(4)低分辨率、尺度變換。在圖5(a)中第489幀，Staple, ARCF和AutoTrack算法因?yàn)闊o法適應(yīng)目標(biāo)尺度的變化，使得跟蹤框過大，學(xué)習(xí)到過多的背景信息，降低了跟蹤精度和成功率，失去跟蹤意義。從圖5(d)Bolt2_1中可以看到，視頻序列目標(biāo)分辨率較低，從第10幀開始，由于相似物體的干擾，SRDCF, AutoTrack, ASRCF, ECO, BACF和ARCF均跟蹤到錯(cuò)誤的目標(biāo)，跟蹤失敗。在第90幀時(shí)，Staple跟蹤失敗。由于本文算法和STRCF算法的時(shí)間正則項(xiàng)，避免了濾波器在相鄰幀之間出現(xiàn)過擬合現(xiàn)象，能夠準(zhǔn)確跟蹤。

(5)光照變化、復(fù)雜背景。光照變化是指當(dāng)前幀的顏色組成相比上一幀發(fā)生了較大的變化，復(fù)雜背景是指背景區(qū)域中包含許多與目標(biāo)區(qū)域形似的信息，兩種屬性均會(huì)影響跟蹤效果。在圖5(e)序列shaking中，第60幀，發(fā)生光照變化，此時(shí)由于本文算法的異常分析機(jī)制，能夠降低或暫停模型的更新，表現(xiàn)出較好的跟蹤效果?；陬伾狈綀D的Staple算法無法提取有效的特征，出現(xiàn)漂移。第266幀，由于復(fù)雜背景的干擾，ARCF, SRDCF和AutoTrack均學(xué)習(xí)到錯(cuò)誤的樣本信息，跟蹤失敗。圖5(f)序列soccer中同樣可以看到，第168幀，只有本文算法和BACF算法能夠跟蹤到目標(biāo)，其他7種算法均發(fā)生了不同程度的漂移。因此，本文算法在光照變化和復(fù)雜背景的情況時(shí)，具有穩(wěn)定的跟蹤效果。但是由于處理此類情況時(shí)，容易提取到錯(cuò)誤的樣本信息，因此本文算法跟蹤到的目標(biāo)區(qū)域不夠精準(zhǔn)，因此本文算法對(duì)復(fù)雜背景情況的處理需要改進(jìn)。

(6)遮擋。在圖5(c)序列g(shù)irl的第439幀和圖5(d)序列Bolt2_1的第90幀，都出現(xiàn)了相似物體遮擋，由于Staple, AutoTrack, BACF, ARCF算法不具備空間正則項(xiàng)，無法抑制背景區(qū)域的空間權(quán)重，當(dāng)搜索區(qū)域出現(xiàn)與目標(biāo)相似的物體時(shí)，濾波器提取到錯(cuò)誤的樣本信息，導(dǎo)致跟蹤失敗。在圖5(g)lemming序列中，第350幀時(shí)出現(xiàn)遮擋，只能利用目標(biāo)的一小部分區(qū)域提取特征，進(jìn)行跟蹤。此時(shí)由于本文算法的自適應(yīng)空間正則項(xiàng)，降低非目標(biāo)區(qū)域的權(quán)重，在第628幀目標(biāo)完全出現(xiàn)在圖像中時(shí)，仍可以跟蹤到全部目標(biāo)。在遮擋情況下，本文算法和STRCF算法可以實(shí)現(xiàn)較好的跟蹤。

5.2.2 定量比較

圖6為本文算法和對(duì)比算法在數(shù)據(jù)集OTB50中的50組視頻序列以及OTB100中的100組視頻序列上得出的精確率和成功率曲線。從圖中可以得到，本文算法在數(shù)據(jù)集OTB50中精確率為0.829，成功率為0.778，高于STRCF算法的精確率(0.827)和成功率(0.755)；在數(shù)據(jù)集OTB100中精確率為0.880，成功率為0.847，高于STRCF算法的精確率(0.864)和成功率(0.863)。

為了更清晰、更全面地比較本文算法與各主流算法的綜合性能，表1、表2記錄了9種算法在數(shù)據(jù)集OTB100上單個(gè)屬性的跟蹤精確率和成功率得分，其中粗體字表示對(duì)比最優(yōu)結(jié)果，斜體字表示對(duì)比次優(yōu)結(jié)果。

從表1和表2可以看出，本文算法在數(shù)據(jù)集OTB100上測(cè)試出的11屬性的成功率和精確率得分中，除復(fù)雜背景外，本文算法的跟蹤精確率均處于最優(yōu)的位置且高于本文基線算法STRCF。由于算法在處理復(fù)雜背景時(shí)容易使特征模型學(xué)習(xí)到錯(cuò)誤的樣本信息，所以本文算法在處理此類情況時(shí)的跟蹤效果不太穩(wěn)定。結(jié)合圖4(c)，圖4(d)，本文算法的整體跟蹤效果與8種對(duì)比算法相比性能較好，并且在多數(shù)情況下均可以保持準(zhǔn)確魯棒的跟蹤。

5.2.3 跟蹤速度

圖6 各種算法在數(shù)據(jù)集OTB100上的對(duì)比曲線

表1 各種跟蹤算法在數(shù)據(jù)集OTB100上各種屬性的精確率得分

表3為本文在OTB100上對(duì)9種跟蹤算法在CPU上的平均跟蹤速度對(duì)比，計(jì)算方法為100組圖像序列的總幀數(shù)除以總時(shí)間。

由表3可知，本文算法通過只記錄當(dāng)前幀和上一幀的樣本信息，并采用ADMM迭代求解，降低計(jì)算復(fù)雜度，使得跟蹤速度較原STRCF框架提升了12.0%。再結(jié)合表1和表2，在數(shù)據(jù)集OTB100上進(jìn)行跟蹤實(shí)驗(yàn)的過程中，本文所提出的自適應(yīng)空間異常的目標(biāo)跟蹤算法具有較高的跟蹤精度和成功率，且基本滿足實(shí)時(shí)跟蹤要求，性能較優(yōu)。

6 結(jié)論

本文提出了一種具有自適應(yīng)空間異常的目標(biāo)跟蹤算法。通過在目標(biāo)函數(shù)中引入自適應(yīng)空間正則項(xiàng)權(quán)重，結(jié)合圖像樣本信息，降低非目標(biāo)區(qū)域的權(quán)重。采用ADMM算法，將對(duì)最優(yōu)濾波器和最優(yōu)空間正則項(xiàng)權(quán)重模型的求解轉(zhuǎn)化為對(duì)相應(yīng)3個(gè)子問題的迭代求解。利用響應(yīng)圖分析異常情況，根據(jù)驗(yàn)證分?jǐn)?shù)為特征模型和響應(yīng)圖模型分配動(dòng)態(tài)更新率。

表2 各種跟蹤算法在數(shù)據(jù)集OTB100上各種屬性的成功率得分

表3 各種跟蹤算法在數(shù)據(jù)集OTB100上平均跟蹤速度(幀/s)

相比其他主流的跟蹤算法，本文算法的優(yōu)勢(shì)為：(1)本文算法是在STRCF算法的框架下加入自適應(yīng)空間正則項(xiàng)，結(jié)合樣本信息，在保證跟蹤速度的同時(shí)，實(shí)現(xiàn)對(duì)目標(biāo)和背景區(qū)域權(quán)重的精準(zhǔn)分配；(2)本文提出的異常分析機(jī)制，根據(jù)響應(yīng)圖信息分析異常情況，計(jì)算跟蹤結(jié)果的置信度得分，控制特征模型和響應(yīng)圖模型的更新速率；(3)在處理最優(yōu)濾波器和最優(yōu)自適應(yīng)空間正則項(xiàng)權(quán)重時(shí)，采用ADMM算法進(jìn)行優(yōu)化求解，降低算法復(fù)雜度。

通過在數(shù)據(jù)集OTB50, OTB100上與目前主流的8種跟蹤算法進(jìn)行的對(duì)比實(shí)驗(yàn)可以得出，本文算法可以有效緩解形變、遮擋、旋轉(zhuǎn)等異常情況下易導(dǎo)致跟蹤失敗的問題。本文算法在成功率、精確率以及跟蹤速度上，相比其他主流算法，均取得了較好的成績。由于本文提出的異常分析機(jī)制是通過驗(yàn)證上一幀的跟蹤結(jié)果是否準(zhǔn)確再進(jìn)行模型更新，下一步考慮在目標(biāo)函數(shù)中構(gòu)造正則項(xiàng)，從而緩解異常情況的發(fā)生。