基于分塊提取與異步更新的目標(biāo)跟蹤算法

歐陽(yáng)美龍

（遼東學(xué)院工程技術(shù)學(xué)院，遼寧 丹東 118000）

0 引言

目標(biāo)跟蹤是當(dāng)前計(jì)算機(jī)視覺(jué)領(lǐng)域的研究熱點(diǎn)，在智能監(jiān)控、導(dǎo)航定位及人機(jī)交互等領(lǐng)域有著重要應(yīng)用，但受限于實(shí)際應(yīng)用中遮擋、目標(biāo)形變、相似干擾及光照變化等復(fù)雜環(huán)境，已有跟蹤算法難以滿(mǎn)足應(yīng)用中的準(zhǔn)確性、實(shí)時(shí)性以及魯棒性要求，因此，構(gòu)建有效的視覺(jué)特征模型，并提高其對(duì)復(fù)雜背景的可分性和自適應(yīng)性，是進(jìn)行魯棒目標(biāo)跟蹤的關(guān)鍵，也是極具挑戰(zhàn)的課題之一。

目標(biāo)跟蹤通常分為產(chǎn)生式和判別式兩類(lèi)方法，產(chǎn)生式算法基于模型匹配處理，通過(guò)先驗(yàn)?zāi)Ｐ蜆?gòu)建和最后似然估計(jì)，搜索與目標(biāo)最匹配的圖像匹配，如空間學(xué)習(xí)、特征模板和局部稀疏表達(dá)等方法，產(chǎn)生式算法具有豐富的目標(biāo)信息描述能力，但缺少對(duì)背景影響的考慮，當(dāng)目標(biāo)自身變化或光照變化、遮擋存在時(shí)，跟蹤漂移較大；判別式算法構(gòu)建目標(biāo)和背景的二分類(lèi)模型，通過(guò)更新在線分類(lèi)器完成對(duì)背景的分類(lèi)和目標(biāo)的跟蹤，判別式算法又可細(xì)分為傳統(tǒng)方法、基于相關(guān)濾波和深度學(xué)習(xí)的方法，傳統(tǒng)方法如：基于Boosting、SVM、Bayesian和隨機(jī)學(xué)習(xí)的分類(lèi)器，傳統(tǒng)判別式跟蹤方法兼顧到目標(biāo)與場(chǎng)景信息，具有較好的判別能力，但其對(duì)樣本質(zhì)量和數(shù)據(jù)要求較高，且計(jì)算復(fù)雜度較大。

具有頻域快速計(jì)算特性的相關(guān)濾波的跟蹤方法以其出色的性能和速度優(yōu)勢(shì)，緩解了傳統(tǒng)判別式算法的低效及對(duì)樣本依賴(lài)問(wèn)題，成為研究熱點(diǎn)之一。Bolme 等首次將相關(guān)濾波引入到了目標(biāo)跟蹤領(lǐng)域；Henriques 等在相關(guān)濾波基礎(chǔ)上，提出核相關(guān)濾波（kernel correlation filter，KCF）算法，并采用多通道HOG 特征來(lái)提高算法的跟蹤跨度與環(huán)境適應(yīng)性，但KCF 算法對(duì)遮擋處理不好，且采用固定采樣窗；DONG 等將顏色名屬性特征引入到相關(guān)濾波框架中以擴(kuò)展跟蹤器特征，并對(duì)高維顏色特征進(jìn)行了自適應(yīng)降維處理以確保算法的實(shí)時(shí)性；沈秋等將HOG 等多種特征與圖像灰度特征串聯(lián)，并以跟蹤器最大響應(yīng)位置進(jìn)行目標(biāo)跟蹤，以緩解相關(guān)濾波中單一特征易被復(fù)雜場(chǎng)景干擾問(wèn)題；趙高鵬等融合了LBP 峰值旁瓣比及圖像灰度特征等，以避免單一特征局限；熊昌鎮(zhèn)等基于特征融合并采用核相關(guān)濾波計(jì)算目標(biāo)的顏色屬性和梯度直方圖濾波響應(yīng)，并以此分配權(quán)重估計(jì)目標(biāo)位置，算法的跟蹤效率較高；MA 等通過(guò)對(duì)前一幀圖像跟蹤結(jié)果的多尺度采樣來(lái)評(píng)估幀間的尺度變化，有效解決模塊大小的定型問(wèn)題，一定程度上緩解目標(biāo)尺度變化對(duì)跟蹤性能的影響，但并未完全有效解決尺度變化影響；相關(guān)濾波跟蹤極大提高了算法效率，但未將局部背景信息引入到模型中，因而在復(fù)雜干擾環(huán)境下，算法的分類(lèi)能力下降，易產(chǎn)生跟蹤漂移。

近年來(lái)，具有強(qiáng)大特征提取和表達(dá)能力的深度學(xué)習(xí)被引入到目標(biāo)跟蹤領(lǐng)域，并得到研究人員重視。BLEI 等利用分層CNN 網(wǎng)絡(luò)進(jìn)行目標(biāo)特征學(xué)習(xí)，低層高分辨率特征進(jìn)行精確目標(biāo)定位，高層語(yǔ)義信息處理目標(biāo)姿態(tài)變化，然后以線性加權(quán)實(shí)現(xiàn)目標(biāo)準(zhǔn)確跟蹤；李康等將深度特征的豐富信息引入到相關(guān)濾波框架中，并與傳統(tǒng)特征相融合，取得較好的跟蹤效果，但基于深度學(xué)習(xí)的目標(biāo)跟蹤算法仍面臨大樣本依賴(lài)和計(jì)算復(fù)雜度高的問(wèn)題。

基于分塊的跟蹤算法通過(guò)對(duì)子塊匹配程序的測(cè)試，實(shí)現(xiàn)高置信度子塊的準(zhǔn)確目標(biāo)跟蹤，由于子塊內(nèi)圖像具有較好的模式不變性，基于圖像分塊的目標(biāo)跟蹤算法，對(duì)目標(biāo)的局部變化、遮擋及光照變化等具有較好的適應(yīng)性。Lukeic 等以均勻矩形方式對(duì)目標(biāo)進(jìn)行分割，并提取直方圖特征，然后通過(guò)子塊加權(quán)進(jìn)行目標(biāo)定位跟蹤；Bency 等將自適應(yīng)相關(guān)濾波與目標(biāo)分塊相關(guān)濾波，在對(duì)目標(biāo)分塊為固定的矩形塊后，進(jìn)行塊內(nèi)相關(guān)濾波計(jì)算，并通過(guò)塊內(nèi)預(yù)測(cè)結(jié)果加權(quán)進(jìn)行目標(biāo)跟蹤；Song 等將目標(biāo)進(jìn)行固定矩形分塊，并對(duì)分塊進(jìn)行獨(dú)立相關(guān)濾波訓(xùn)練，并結(jié)合塊間結(jié)構(gòu)關(guān)系進(jìn)一步提高跟蹤精度。已有的分塊目標(biāo)跟蹤算法通常采用固定數(shù)量的矩形分塊形式，不利于跟蹤目標(biāo)的多樣性，且易引入背景干擾。

1 光照不敏感特征提取

局部敏感直方圖（local sensitive histogram，LSH）用于計(jì)算某像素的鄰域內(nèi)不同灰度級(jí)像素值的加權(quán)累加，其計(jì)算式為：

其中，H（b）描述了圖像中p 點(diǎn)像素的灰度值為b的LSH 值；b=1，…，B，B 為像素鄰域中灰度級(jí)數(shù)；α∈（0，1）為浮點(diǎn)權(quán)值的控制因子。當(dāng)像素距離中心像素點(diǎn)p 位置較遠(yuǎn)時(shí)，其值取較小值，I為鄰域內(nèi)像素點(diǎn)q 的灰度值，當(dāng)I位于灰度級(jí)b 內(nèi)時(shí)，有Q（I，b）=1，反之，則Q（I，b）=0，W 為像素p 的鄰域總像素?cái)?shù)。

為適應(yīng)目標(biāo)跟蹤過(guò)程中，光線變化對(duì)提取特征的影響，根據(jù)LSH 構(gòu)建光照不敏感特征（light-insensitive feature，LIF）如下：

式中，b為p 點(diǎn)像素所處的灰度級(jí)別；κ 為某一常數(shù)值，通常取值為κ=0.1；I為目標(biāo)區(qū)域的平均灰度值。對(duì)式（2）所示光照不敏感特征進(jìn)行不同光照條件實(shí)驗(yàn)，部分實(shí)驗(yàn)結(jié)果如圖（1）所示，圖1（a）和圖1（b）分別為同一人物與背景在光線較強(qiáng)和較暗時(shí)的圖像，而圖1（c）和圖1（d）分別為對(duì)應(yīng)的通過(guò)光照不敏感特征變換后的結(jié)果，可以看出，圖1（c）和圖1（d）結(jié)果基本相同，說(shuō)明式（2）在忽略量化誤差情況下，其特征具有較好的光照不變特性。

圖1 光照不敏感特征實(shí)驗(yàn)結(jié)果

2 基于自適應(yīng)分塊的多模型融合目標(biāo)跟蹤

2.1 圖像自適應(yīng)分塊

圖像分塊可以將圖像劃分為若干結(jié)構(gòu)化子圖，通過(guò)子圖匹配度分析，實(shí)現(xiàn)目標(biāo)跟蹤。由于子圖通常具有較強(qiáng)的模式不變性，并對(duì)局部遮擋及背景變化的適應(yīng)性較強(qiáng)，因而有利于提高算法的目標(biāo)跟蹤性能，并得到廣泛關(guān)注。但傳統(tǒng)分塊算法通常采用數(shù)量固定或尺寸均勻的矩形分塊，雖然分場(chǎng)簡(jiǎn)單快速，但易對(duì)目標(biāo)自身結(jié)特性及其與背景的邊界差異造成破壞，不利于算法對(duì)目標(biāo)多樣化和多變性的適應(yīng)。

超像素模型可以根據(jù)圖像像素的灰度、紋理及顏色等屬性，將屬性相似的近鄰像素劃分到同一分塊中進(jìn)行整體處理，超像素分塊內(nèi)像素的特征較為一致，因而利用超像素模型可以自適應(yīng)地實(shí)現(xiàn)跟蹤目標(biāo)與背景環(huán)境的有效分塊，以自適應(yīng)地保持邊界信息及目標(biāo)的空間結(jié)構(gòu)特征，并獲得一定的語(yǔ)義獨(dú)立性。相對(duì)傳統(tǒng)固定數(shù)量及分塊尺寸，超像素分塊的目標(biāo)模式不變性能更優(yōu)，為此，文中算法以超像素模型對(duì)采集的圖像區(qū)域進(jìn)行自適應(yīng)劃分，在此基礎(chǔ)上，通過(guò)子塊權(quán)重度量，自適應(yīng)選擇目標(biāo)區(qū)域分塊進(jìn)行跟蹤?；诔袼啬Ｐ偷淖赃m應(yīng)目標(biāo)分塊過(guò)程如圖2 所示，圖2（a）中紅色區(qū)域?yàn)轭A(yù)選目標(biāo)區(qū)域，圖2（b）為基于超像素模型的自適應(yīng)分塊結(jié)果，圖2（c）為分塊對(duì)目標(biāo)區(qū)域的優(yōu)化。從圖2（c）的局部放大圖可以看出，通過(guò)超像素模型分塊優(yōu)化后，目標(biāo)區(qū)域內(nèi)分塊盡可能保留了特征較為統(tǒng)一的目標(biāo)信息，而剔除差異相對(duì)較大的背景區(qū)域。為進(jìn)一步提高算法的抗遮擋能力以?xún)?yōu)化目標(biāo)跟蹤性能，文中將與手動(dòng)預(yù)選目標(biāo)區(qū)域的邊界存在交叉的超像素設(shè)置為背景，以消除超像素模型可能存在的不確定性。

圖2 超像素模型自適應(yīng)分塊實(shí)驗(yàn)結(jié)果

2.2 目標(biāo)子塊自適應(yīng)選擇

在進(jìn)行基于子塊劃分的目標(biāo)跟蹤時(shí)，如果用于跟蹤的子塊特征與目標(biāo)背景差異較大，或受背景影響較小，則子塊對(duì)于目標(biāo)跟蹤的結(jié)果更為準(zhǔn)確，為此，定義局部差異描述因子d（r）來(lái)量化背景環(huán)境對(duì)目標(biāo)子塊的干擾，其計(jì)算式為：其中，KL（h，h）為Kullback-Leibler 相對(duì)熵，即文中采用Kullback-Leibler 相對(duì)熵定義目標(biāo)區(qū)域與背景區(qū)域的局部差異性；t 為當(dāng)前圖像幀數(shù)；r 為子塊索引號(hào)，h（i）與h（i）分別為子塊區(qū)域及其背景區(qū)域的直方圖，其中，子塊的背景區(qū)域定義為：

圖3 子塊局部差異隨采集幀數(shù)變化曲線

在進(jìn)行目標(biāo)跟蹤過(guò)程中，對(duì)于新一幀采集到的圖像，先進(jìn)行超像素分塊，然后基于已訓(xùn)練的p（i）值，根據(jù)當(dāng)前幀聚類(lèi)結(jié)果，度量超像素分塊的屬于待跟蹤目標(biāo)區(qū)域的概率為：

其中，p（t）和p（t）為控制參數(shù)，控制w和w對(duì)目標(biāo)子塊的置信貢獻(xiàn)度，其值需要根據(jù)前期已有幀圖像的場(chǎng)景變化進(jìn)行動(dòng)態(tài)調(diào)整，即

2.3 基于子塊自適應(yīng)劃分的目標(biāo)跟蹤

設(shè)t 時(shí)刻的采集圖像I的N 個(gè)子塊表示為

實(shí)際情況下，待跟蹤目標(biāo)的各個(gè)組成子塊間的相對(duì)位置在一段較短時(shí)間內(nèi)是相對(duì)固定的，為此，式（13）的子塊跟蹤預(yù)測(cè)位置估計(jì)目標(biāo)當(dāng)前位置為：

2.4 基于LIF 相似度量的目標(biāo)跟蹤優(yōu)化

在粒子濾波框架內(nèi)，根據(jù)目標(biāo)值與觀測(cè)值的一致性理論，由式（17）可以計(jì)算單個(gè)子塊的似然函數(shù)：

3 目標(biāo)遮擋及模型更新策略

3.1 目標(biāo)遮擋處理

復(fù)雜場(chǎng)景下極易出現(xiàn)的目標(biāo)遮擋會(huì)導(dǎo)致目標(biāo)跟蹤過(guò)程的累積漂移，為此，本文基于目標(biāo)相似性及分塊判別進(jìn)行遮擋的檢測(cè)處理，對(duì)于第t 幀采集圖像，其判別式為：

基于f（i）的采集圖像遮擋檢測(cè)結(jié)果如圖4 所示，圖中將目標(biāo)分為“Leg”和“Body”兩個(gè)超像素子塊，從“Leg”塊曲線可以看出，在111 幀圖像時(shí)，子塊遮擋嚴(yán)重，此時(shí)f（i）曲線變化率值最大（藍(lán)色）；而相應(yīng)的153 幀時(shí)，遮擋消除，此時(shí)曲線變化率最?。ňG色）；197 幀后，子塊再次出現(xiàn)遮擋，此時(shí)曲線再次出現(xiàn)局部峰值點(diǎn)，而在這一過(guò)程，“Body”子塊不存在遮擋，其曲線變化率一直較小且較為穩(wěn)定?？梢?jiàn)，通過(guò)f（i）檢測(cè)方式，可以較為有效地檢測(cè)待跟蹤目標(biāo)的遮擋情況。

圖4 f2（i）遮擋檢測(cè)實(shí)驗(yàn)結(jié)果

3.2 基于緩沖區(qū)的子塊異步更新

4 實(shí)驗(yàn)

為驗(yàn)證文中目標(biāo)跟蹤算法的有效性，以目標(biāo)跟蹤 數(shù) 據(jù) 集 中Woman、Faceocc1、David1、Diving 和Shaking 等6 個(gè)跟蹤視頻序列作為實(shí)驗(yàn)數(shù)據(jù)，實(shí)驗(yàn)數(shù)據(jù)涵蓋了遮擋、光照變化、背景干擾、相似目標(biāo)及姿態(tài)變化干擾等主要挑戰(zhàn)，以跟蹤性能較為優(yōu)異的KCF 算法、DSST 算法、SPT 算法、BACF算法作為實(shí)驗(yàn)比較算法，與文中算法一起從定性、定量和運(yùn)行效率3 個(gè)方面進(jìn)行性能比較測(cè)試，實(shí)驗(yàn)環(huán)境為：CPU intel Core i7-9750H @ 2.60 GHz 32 G 內(nèi)存，采用matlab 2016a 軟件實(shí)現(xiàn)各算法。

4.1 目標(biāo)跟蹤性能實(shí)驗(yàn)分析

為從定性角度驗(yàn)證本文算法的目標(biāo)跟蹤性能和跟蹤穩(wěn)定性，在存在目標(biāo)遮擋、復(fù)雜背景及光照變化等嚴(yán)重影響目標(biāo)跟蹤效果的實(shí)驗(yàn)場(chǎng)景中進(jìn)行目標(biāo)跟蹤實(shí)驗(yàn)，并對(duì)結(jié)果進(jìn)行綜合分析，實(shí)驗(yàn)過(guò)程中，手工選定待跟蹤的目標(biāo)，然后對(duì)其進(jìn)行超像素分割和目標(biāo)跟蹤，實(shí)驗(yàn)過(guò)程中的部分實(shí)驗(yàn)結(jié)果如圖5 所示，圖中紅色框?yàn)楸疚乃惴ǎ凵驗(yàn)镾PT 算法，橘色框?yàn)锽ACF 算法，黃色框?yàn)镵CF 算法，藍(lán)色框?yàn)镈SST 算法。

圖5 各算法目標(biāo)跟蹤實(shí)驗(yàn)結(jié)果

圖5（a）和圖5（b）存在目標(biāo)遮擋視頻序列中，場(chǎng)景中存在相似目標(biāo)，且該目標(biāo)移動(dòng)較為快速，并在跟蹤過(guò)程中存在一定遮擋，從實(shí)驗(yàn)結(jié)果可以看出，在實(shí)驗(yàn)開(kāi)始過(guò)程，各算法均能穩(wěn)定且正確跟蹤目標(biāo)，但隨著目標(biāo)快速移動(dòng)，SPT 算法和BACF 算法逐漸發(fā)生偏移，當(dāng)出現(xiàn)樹(shù)木遮擋時(shí)，兩種算法由于缺少有效的遮擋檢測(cè)而完全丟失目標(biāo)，主要因?yàn)镾PT算法經(jīng)歷一次遮擋影響后，其密集采樣相關(guān)濾波的分類(lèi)器性能極速下降；BACF 算法主要依據(jù)在首幀采樣數(shù)據(jù)進(jìn)行模型的迭代更新，缺乏在線訓(xùn)練過(guò)程，因而對(duì)遮擋的適應(yīng)性較差，且跟蹤過(guò)程偏移累積較大。KCF 算法和DSST 算法在模型相關(guān)濾波更新時(shí)采用實(shí)時(shí)的背景作為負(fù)樣本，模型判別和抗遮擋性能更強(qiáng)，因而實(shí)驗(yàn)中對(duì)目標(biāo)的跟蹤較為穩(wěn)定，只有少部分的圖像幀中丟失目標(biāo)。文中算法通過(guò)高權(quán)子塊（如眼睛子塊和腿部子塊）權(quán)值在遮擋前后的變化度量實(shí)時(shí)獲取目標(biāo)變化，并根據(jù)變化結(jié)果，通過(guò)擴(kuò)展采樣范圍實(shí)現(xiàn)對(duì)目標(biāo)的重新跟蹤和捕捉。

圖5（c）和圖5（d）復(fù)雜背景視頻序列中背景復(fù)雜，且目標(biāo)存在較多的姿勢(shì)變化，從實(shí)驗(yàn)結(jié)果可以看出，所有實(shí)驗(yàn)算法的目標(biāo)跟蹤準(zhǔn)確性和穩(wěn)定性都不高，BACF 算法、KCF 算法和DSST 算法對(duì)復(fù)雜背景的適應(yīng)性較差，在開(kāi)始時(shí)可以實(shí)現(xiàn)準(zhǔn)確跟蹤，但隨著跟蹤的中斷，算法很快丟失目標(biāo)或跟蹤到背景假目標(biāo)中；由于在局部鄰域，待跟蹤目標(biāo)與復(fù)雜背景存在較高的可分性，因而以超像素分塊為基礎(chǔ)的SPT 算法及本文算法在跟蹤時(shí)可以搜索到穩(wěn)定的高可靠的目標(biāo)子塊，盡管目標(biāo)姿態(tài)變化會(huì)導(dǎo)致目標(biāo)子塊的背景可分性下降，但本文算法通過(guò)初始高權(quán)值目標(biāo)子塊（如圖5（d）中穩(wěn)定跟蹤在目標(biāo)腿部子塊）捕捉和后續(xù)的粒子濾波擴(kuò)展采樣，快速恢復(fù)實(shí)現(xiàn)對(duì)目標(biāo)完整的跟蹤；SPT 算法采用顏色統(tǒng)計(jì)特征優(yōu)化其對(duì)外界干擾的感知，不受目標(biāo)形跡的影響，因而也取得較好的跟蹤效果，好于其他方法。

圖5（e）和圖5（f）光照變化視頻序列中存在復(fù)雜光照、相似目標(biāo)及遮擋等干擾因素，對(duì)算法的跟蹤魯棒性帶來(lái)極大挑戰(zhàn)。從實(shí)驗(yàn)結(jié)果看，盡管相似目標(biāo)和光照變化影響較大，但鄰域內(nèi)的局部可分性較好，因而各算法在起始均能較好地跟蹤目標(biāo)，但隨著背景光線及相似目標(biāo)的互遮擋，BACF、KCF 及DSST 等基于整體更新策略的跟蹤算法逐漸出現(xiàn)較大的偏移，DSST 算法仍能對(duì)目標(biāo)進(jìn)行跟蹤，但其跟蹤窗口內(nèi)包含大量非目標(biāo)像素；BACF 算法的循環(huán)移位采用范圍擴(kuò)展策略受相似目標(biāo)影響，導(dǎo)致難以判別真實(shí)目標(biāo)，后期完全丟失目標(biāo)。

綜合分析上述實(shí)驗(yàn)結(jié)果，可以看出，在遮擋、光照變化及相似目標(biāo)等復(fù)雜場(chǎng)景下，本文算法的綜合目標(biāo)跟蹤表現(xiàn)更加平穩(wěn)，正確率最優(yōu)。

4.2 跟蹤精度比較分析

為驗(yàn)證本文算法的目標(biāo)跟蹤精度，以平均正確率f和平均重合率f作為評(píng)價(jià)指標(biāo)：

其中，T 和R 分別為目標(biāo)真實(shí)框和跟蹤框；M 和M分別為實(shí)驗(yàn)數(shù)據(jù)集圖像的總幀數(shù)及成功跟蹤的幀數(shù)。其中，當(dāng)f大于預(yù)設(shè)閾值時(shí)，則認(rèn)為當(dāng)前幀跟蹤成功，文中閾值設(shè)置為0.5。f描述了一次實(shí)驗(yàn)中目標(biāo)成功跟蹤的圖像幀數(shù)，f值越大，說(shuō)明算法跟蹤準(zhǔn)確性越高；f描述了實(shí)驗(yàn)結(jié)果與實(shí)際目標(biāo)之間的中心偏差均值，其值越小，說(shuō)明跟蹤精度越高。如表1和表2 為多次實(shí)驗(yàn)結(jié)果的f和f均值。從實(shí)驗(yàn)結(jié)果可以看出，KCF、DSST 和BACF 算法在背景干擾較小Faceocc1 實(shí)驗(yàn)序列中，取得與SPT 算法和本文算法相近的實(shí)驗(yàn)結(jié)果，但在其他序列中，當(dāng)遮擋、復(fù)雜背景和相似目標(biāo)存在時(shí)，這3 種算法的跟蹤準(zhǔn)確率和跟蹤精確度迅速降低，SPT 和本文算法在各實(shí)驗(yàn)序列中均取得相近且較優(yōu)的結(jié)果，而本文算法更有優(yōu)勢(shì)，這與4.1 實(shí)驗(yàn)結(jié)果相一致。

表1 各算法的跟蹤正確率均值

表2 各算法的跟蹤重合率均值

4.3 算法運(yùn)行效率分析

本文算法時(shí)間復(fù)雜度主要與樣本數(shù)、目標(biāo)區(qū)域、分塊數(shù)及目標(biāo)子塊數(shù)等相關(guān)。為提高跟蹤效率，在超像素子塊分割時(shí)，僅對(duì)當(dāng)前幀前一幀確定的目標(biāo)的一定鄰域范圍進(jìn)行分塊，并將搜索到的目標(biāo)子塊控制在2～5 之間，因?yàn)槎啻螌?shí)驗(yàn)后發(fā)現(xiàn)，如果模型在跟蹤過(guò)程中，沒(méi)有對(duì)子塊進(jìn)行進(jìn)一步篩選和優(yōu)化，子塊數(shù)的增大，對(duì)跟蹤精度的提高并不明顯。因此，控制目標(biāo)子塊數(shù)可在保證跟蹤精度的同時(shí)，減少計(jì)算復(fù)雜度。表3 統(tǒng)計(jì)了實(shí)驗(yàn)中不同算法的跟蹤效率，表中數(shù)據(jù)為各算法每秒處理的圖像幀數(shù)均值。

表3 各算法的運(yùn)行效率對(duì)比

從實(shí)驗(yàn)結(jié)果可以看出，本文算法的整體運(yùn)行效率低于KCF、DSST 和BACF 3 種算法，但與性能相近的SPT 算法相比，略有優(yōu)勢(shì)，整體高于SPT 算法，基本滿(mǎn)足實(shí)時(shí)性要求。本文算法在訓(xùn)練階段和測(cè)試階段，可以根據(jù)待跟蹤目標(biāo)的大小對(duì)分塊壓縮因子及塊數(shù)據(jù)進(jìn)行動(dòng)態(tài)調(diào)整，結(jié)合異步更新和光照不敏感特征，盡管損失了一部分計(jì)算效率，但在保證對(duì)復(fù)雜場(chǎng)景的魯棒性基礎(chǔ)上，取得了較高的跟蹤準(zhǔn)確性和跟蹤精度。

5 結(jié)論

為解決復(fù)雜環(huán)境下跟蹤算法面臨的光照變化、遮擋及相似干擾等問(wèn)題，提出了基于多模型融合的自適應(yīng)分塊魯棒目標(biāo)跟蹤算法。算法基于局部敏感直方圖構(gòu)建光照不敏感特征，基于超像素分割對(duì)采集圖像進(jìn)行自適應(yīng)分塊，以充分發(fā)揮子塊的特征一致優(yōu)勢(shì)；通過(guò)相對(duì)熵和均值聚類(lèi)構(gòu)建雙權(quán)值約束，以自適應(yīng)提取高置信度子塊進(jìn)行目標(biāo)跟蹤，從而避免全局搜索，并提高跟蹤的精確性和實(shí)時(shí)性；最后算法通過(guò)遮擋檢測(cè)和子塊異步更新，進(jìn)一步提高算法的運(yùn)行效率和魯棒性，提高模型對(duì)背景信息的過(guò)濾能力。實(shí)驗(yàn)結(jié)果表明，與其他跟蹤方法相比，在包括遮擋、光照變化、相似目標(biāo)和背景干擾等復(fù)雜場(chǎng)景下，本文算法具有更優(yōu)的跟蹤精度和跳躍正確率，以及對(duì)不同場(chǎng)景的適應(yīng)性和魯棒性。