基于光照自適應(yīng)動(dòng)態(tài)一致性的無(wú)人機(jī)目標(biāo)跟蹤

林淑彬，吳貴山，姚文勇，楊文元

（1.閩南師范大學(xué) 計(jì)算機(jī)學(xué)院，福建 漳州 363000;2.閩南師范大學(xué) 數(shù)據(jù)科學(xué)與智能應(yīng)用福建省高校重點(diǎn)實(shí)驗(yàn)室，福建 漳州 363000;3.閩南師范大學(xué) 外國(guó)語(yǔ)學(xué)院，福建 漳州 363000;4.閩南師范大學(xué) 福建省粒計(jì)算及其應(yīng)用重點(diǎn)實(shí)驗(yàn)室，福建 漳州 363000）

得益于無(wú)人機(jī)強(qiáng)大的機(jī)動(dòng)性和便攜性，無(wú)人機(jī) 平臺(tái)搭載視覺(jué)跟蹤技術(shù)在路徑規(guī)劃、自主著陸、飛行避障等方面受到了廣泛關(guān)注[1-3]。無(wú)人機(jī)工作過(guò)程不可避免地面臨光線變化甚至光線條件惡劣的情況，這影響無(wú)人機(jī)目標(biāo)跟蹤對(duì)視頻信息的提取與處理。因此，高效、準(zhǔn)確地應(yīng)對(duì)光線不足場(chǎng)景的目標(biāo)跟蹤方法對(duì)于無(wú)人機(jī)應(yīng)用具有重要意義[4]。

基于相關(guān)濾波(correlation filter，CF)的目標(biāo)跟蹤算法由Bolme 等[5]提出，經(jīng)過(guò)Henriques[6]、Danelljan[7]、戴煜彤[8]和盧湖川等[9-10]學(xué)者的不懈努力，跟蹤性能不斷提高。BACF 算法[11]提出具有背景感知能力的相關(guān)濾波器，充分利用背景信息增強(qiáng)算法的判別能力。SRDCF 和ASRCF 跟蹤算法[12-13]構(gòu)建空間或時(shí)空正則化，以緩解相關(guān)濾波跟蹤器的邊界效應(yīng)。同時(shí)，劉威等[14]則嘗試將特征融合與模板更新相結(jié)合，自適應(yīng)學(xué)習(xí)場(chǎng)景信息。這些工作使基于相關(guān)濾波的跟蹤器能夠更好適應(yīng)目標(biāo)跟蹤場(chǎng)景變化的要求。

隨著無(wú)人機(jī)應(yīng)用的發(fā)展，一些學(xué)者將相關(guān)濾波方法應(yīng)用于無(wú)人機(jī)目標(biāo)跟蹤，取得了較好的進(jìn)展[15]。AMCF[16]通過(guò)保持多幀信息構(gòu)建更加魯棒的目標(biāo)模型，解決相關(guān)濾波跟蹤器丟失歷史信息的問(wèn)題。OMFL[17]提取了更適應(yīng)無(wú)人機(jī)跟蹤場(chǎng)景的目標(biāo)特征，通過(guò)融合多特征線索進(jìn)行精確跟蹤。王耀南等[18]結(jié)合多特征融合進(jìn)一步提高跟蹤精度。針對(duì)無(wú)人機(jī)相關(guān)濾波跟蹤中邊界效應(yīng)顯著的問(wèn)題，AutoTrack[19]、BEVT[20]和SASR[21]等算法分別提出自適應(yīng)時(shí)空正則化、在線增強(qiáng)背景信息學(xué)習(xí)策略和具有背景感知的選擇性空間正則化。此外，針對(duì)無(wú)人機(jī)跟蹤過(guò)程中可用信息較少的情況，ARCF[22]、CPCF[23]和BICF[24]算法探索跟蹤過(guò)程響應(yīng)映射中的隱藏信息，解決了無(wú)人機(jī)跟蹤過(guò)程出現(xiàn)模型漂移的問(wèn)題。

然而，當(dāng)光照條件不充分時(shí)，無(wú)人機(jī)捕捉到的圖像目標(biāo)紋理和輪廓不清晰，顏色失真，且背景干擾嚴(yán)重。這些因素影響了跟蹤方法對(duì)目標(biāo)信息的提取與利用，降低了濾波器對(duì)目標(biāo)模型的學(xué)習(xí)能力。因此目前無(wú)人機(jī)跟蹤方法在光線不足場(chǎng)景中容易發(fā)生模型漂移，導(dǎo)致跟蹤失敗。

針對(duì)上述問(wèn)題，本文提出一種基于光照自適應(yīng)動(dòng)態(tài)一致性的無(wú)人機(jī)目標(biāo)跟蹤算法（based on illumination adaptive dynamic consistent tracker for UAV，LADCT），利用跨幀響應(yīng)構(gòu)建具有目標(biāo)感知的動(dòng)態(tài)一致性評(píng)估，以實(shí)現(xiàn)在光照條件惡劣情況下進(jìn)行準(zhǔn)確跟蹤。首先，構(gòu)建一個(gè)光照自適應(yīng)處理模塊，通過(guò)光照檢測(cè)技術(shù)識(shí)別跟蹤場(chǎng)景的光照條件，對(duì)光照條件惡劣的視頻圖像進(jìn)行光線增強(qiáng)。其次，構(gòu)建目標(biāo)掩碼提取目標(biāo)顯著性特征，從而訓(xùn)練出具有目標(biāo)語(yǔ)義感知能力的濾波器。此外，在使用目標(biāo)感知濾波器進(jìn)行相關(guān)運(yùn)算時(shí)，利用跨幀之間的信息產(chǎn)生一致性評(píng)估以保證相鄰幀目標(biāo)一致。通過(guò)限制實(shí)際響應(yīng)和理想化響應(yīng)的誤差、平滑跨幀之間的響應(yīng)變化幅度，保證當(dāng)前幀響應(yīng)穩(wěn)定，降低因?yàn)轭伾д?，背景干擾帶來(lái)的影響。最后，引入動(dòng)態(tài)約束策略，隨時(shí)間變化動(dòng)態(tài)調(diào)整理想化響應(yīng)及一致性響應(yīng)評(píng)估，使一致性約束策略符合目標(biāo)外觀變化，進(jìn)一步增強(qiáng)LADCT 跟蹤方法在無(wú)人機(jī)場(chǎng)景的適應(yīng)性。在UAVDark135數(shù)據(jù)集和UAV123 數(shù)據(jù)集上與其他9 種先進(jìn)跟蹤算法進(jìn)行對(duì)比實(shí)驗(yàn)，LADCT 算法獲得0.739 和0.756 的中心位置誤差精度以及0.641 和0.648 的重疊率精度，表明算法在大多數(shù)挑戰(zhàn)環(huán)境下都取得了較好的跟蹤性能。

1 光照自適應(yīng)模塊

為了使無(wú)人機(jī)在各種惡劣環(huán)境下準(zhǔn)確地跟蹤任務(wù)，構(gòu)建了基于光照自適應(yīng)動(dòng)態(tài)一致性的無(wú)人機(jī)目標(biāo)跟蹤方法，具體流程如圖1 所示。首先構(gòu)建光照自適應(yīng)模塊分析場(chǎng)景信息，對(duì)光線惡劣場(chǎng)景進(jìn)行光照增強(qiáng)。由此，構(gòu)建一種有效的光照表達(dá)算法計(jì)算圖像中的光照信息。對(duì)于一張長(zhǎng)寬為w×h的 RGB 圖像I∈R3wh，圖像每個(gè)像素的光照值通過(guò)式（1）計(jì)算：

圖1 LADCT 跟蹤算法示意Fig.1 Pipeline of LADCT tracking algorithm

當(dāng)D(I)=1表示光線不足的場(chǎng)景。

針對(duì)光線不足的惡劣場(chǎng)景，需要對(duì)其進(jìn)行光照彌補(bǔ)。為了實(shí)現(xiàn)該目的，首先計(jì)算基于原始圖像的全局光照自適應(yīng)因子：

通過(guò)計(jì)算所得的自適應(yīng)因子，改變每個(gè)像素中3 個(gè)強(qiáng)度通道的像素值實(shí)現(xiàn)圖像光照增強(qiáng)：

式中：Ie表示基于原始I的增強(qiáng)圖像；G (x,y,I)表示不同區(qū)域的光照值。式(4)可以在保持3 個(gè)顏色通道比例不變的情況下，調(diào)整整個(gè)圖像亮度，盡 可能保持圖像顏色不變。

2 跨幀語(yǔ)義感知一致性評(píng)估

圖像的語(yǔ)義信息在目標(biāo)跟蹤中起著至關(guān)重要的作用，而通過(guò)光照增強(qiáng)后的圖像語(yǔ)義信息存在退化，容易導(dǎo)致跟蹤失敗發(fā)生。因此提出一種對(duì)光照增強(qiáng)后目標(biāo)語(yǔ)義信息顯著性增強(qiáng)的濾波器。通過(guò)增強(qiáng)跟蹤器對(duì)被跟蹤對(duì)象區(qū)域的顯著性感知能力，進(jìn)一步提高跟蹤性能。

首先，在訓(xùn)練過(guò)程中，構(gòu)建一個(gè)目標(biāo)掩碼m，加強(qiáng)跟蹤器對(duì)目標(biāo)和背景的判別能力：

式中：M為對(duì)輸入圖像中目標(biāo)區(qū)域設(shè)置為1，其他區(qū)域設(shè)置為0 的目標(biāo)顯著性圖像；（x，y）表示每個(gè)像素的坐標(biāo)；μ和σ是顯著圖M中目標(biāo)區(qū)域的均值和方差。根據(jù)圖像信息的概率分布特征，使用閾值 μ-3σ 過(guò)濾噪聲信息。通過(guò)得到的掩碼m，得出目標(biāo)特征f′(x)=f(x)⊙m，其中x是目標(biāo)檢測(cè)樣本。

此外，為減少光照自適應(yīng)模塊增強(qiáng)圖像過(guò)程中帶來(lái)的噪聲干擾問(wèn)題，構(gòu)建跨幀動(dòng)態(tài)一致性評(píng)估。首先研究相鄰幀目標(biāo)響應(yīng)之間的相似性：

第t-1幀 的目標(biāo)響應(yīng)Rt-1和第t幀的檢測(cè)響應(yīng)之間具有很強(qiáng)的時(shí)間序列相關(guān)性，在幀間一致性中隱藏了大量的時(shí)間信息。為了利用這些時(shí)間信息，采用循環(huán)相關(guān)運(yùn)算對(duì)響應(yīng)之間的一致性進(jìn)行評(píng)估，計(jì)算公式為

由于不同的跟蹤場(chǎng)景，物體的外觀變化速率不同，標(biāo)簽lt應(yīng)該適應(yīng)目標(biāo)外觀的變化速率，而不是強(qiáng)制執(zhí)行固定的一致性約束。因此，在式(5)約束標(biāo)簽的基礎(chǔ)上，進(jìn)一步提出動(dòng)態(tài)約束標(biāo)簽:

式中ht為調(diào)整約束強(qiáng)度一致性的動(dòng)態(tài)調(diào)節(jié)因子。

跟蹤器的一致性約束強(qiáng)度需要符合不同的場(chǎng)景需求，如在快速運(yùn)動(dòng)、視覺(jué)變化等場(chǎng)景跟蹤器會(huì)降低約束強(qiáng)度，從而更好學(xué)習(xí)到目標(biāo)的外觀變化。另一方面，如果外觀變化是平滑的，則需要一個(gè)較高的一致性約束來(lái)增強(qiáng)跟蹤器的魯棒性。因此，根據(jù)目標(biāo)響應(yīng)Rt的質(zhì)量，計(jì)算其質(zhì)量分?jǐn)?shù)：

式中：第1 項(xiàng)和第2 項(xiàng)分別表示響應(yīng)圖中的峰值旁瓣比和峰值；μs1和σs1分別表示旁瓣的均值和標(biāo)準(zhǔn)差；β是平衡兩個(gè)評(píng)價(jià)指標(biāo)的權(quán)重系數(shù)。引入的動(dòng)態(tài)調(diào)節(jié)因子ht為

式中：min(lt) 和 max(lt)分別表示lt的最小值和最大值；?是一個(gè)歸一化的系數(shù)。

3 總體跟蹤框架

為了實(shí)現(xiàn)基于光照自適應(yīng)動(dòng)態(tài)一致性的無(wú)人機(jī)目標(biāo)跟蹤器，構(gòu)建跟蹤器模板函數(shù)為

式中 η為外觀模型的學(xué)習(xí)速率。

為了實(shí)現(xiàn)無(wú)人機(jī)在光線不足場(chǎng)景進(jìn)行準(zhǔn)確跟蹤，將光照自適應(yīng)模塊和動(dòng)態(tài)一致性模塊嵌入算法，具體流程如算法1 所示。首先通過(guò)光照自適應(yīng)模塊判斷無(wú)人機(jī)工作環(huán)境是否需要光照增強(qiáng)，然后利用動(dòng)態(tài)一致性模塊對(duì)濾波器學(xué)習(xí)進(jìn)行約束，從而達(dá)到精確跟蹤的目標(biāo)。最后利用ADMM算法優(yōu)化跟蹤速度。

算法1基于光照自適應(yīng)動(dòng)態(tài)一致性的無(wú)人機(jī)目標(biāo)跟蹤（LADCT）

輸入視頻序列I目標(biāo)初始化信息；

輸出視頻序列中每一幀的目標(biāo)位置和尺寸。

2）確定目標(biāo)搜索區(qū)域，構(gòu)建目標(biāo)掩碼，并提取具有目標(biāo)感知的特征；

3）提取目標(biāo)區(qū)域特征與已學(xué)習(xí)到的濾波器進(jìn)行相關(guān)操作得到初始響應(yīng)圖；

4）通過(guò)式（5）和式（7）對(duì)相鄰兩幀的響應(yīng)構(gòu)建動(dòng)態(tài)一致性標(biāo)簽及約束策略；

5）采用ADMM 算法對(duì)式（11）求得最終響應(yīng)，得到該幀目標(biāo)位置；

6）采用式（15）策略更新模型；

7）如果是最后一幀則停止算法；否則重復(fù)執(zhí)行步驟2）～6）。

返回跟蹤結(jié)果。

4 實(shí)驗(yàn)結(jié)果與分析

所有實(shí)驗(yàn)使用Ubuntu18.04，計(jì)算機(jī)配置Intel Core I9-9900K CPU 和32 GB 內(nèi)存。LADCT 算法的主要參數(shù)設(shè)置如表1 所示。其中大部分是通過(guò)參數(shù)敏感性實(shí)驗(yàn)測(cè)試所得。LADCT 采用HOG和CN 對(duì)目標(biāo)特征進(jìn)行提取。

表1 LADCT 算法的主要參數(shù)設(shè)置Table 1 Main parameter settings of the LADCT algorithm

4.1 對(duì)比數(shù)據(jù)集

為了驗(yàn)證LADCT 算法的有效性，在由無(wú)人機(jī)拍攝的視頻數(shù)據(jù)集UAVDark135 和UAV123 上進(jìn)行對(duì)比實(shí)驗(yàn)。UAVDark135[25]是第1 個(gè)無(wú)人機(jī)黑暗場(chǎng)景下的跟蹤基準(zhǔn)，包含由無(wú)人機(jī)在夜間捕獲的135 個(gè)序列。UAV123 數(shù)據(jù)集包含共計(jì)123 個(gè)無(wú)人機(jī)拍攝的視頻序列以及超過(guò)11 萬(wàn)幀無(wú)人機(jī)圖像。這兩個(gè)數(shù)據(jù)基準(zhǔn)包括各種跟蹤場(chǎng)景，如十字路口、丁字路口、道路、高速公路等，以及不同種類(lèi)的跟蹤對(duì)象，如人、船、汽車(chē)、卡車(chē)、房子等。將LADCT 與ARCF、BiCF、AutoTrack、BACF、ASRCF、SRDCF、CPCF、SASR、ADTrack 這9 種跟蹤算法進(jìn)行對(duì)比。

為更好地評(píng)估無(wú)人機(jī)跟蹤器在特殊挑戰(zhàn)下的能力，UAVDark135 數(shù)據(jù)集提供了無(wú)人機(jī)跟蹤中經(jīng)常遇到的5 個(gè)挑戰(zhàn)屬性，即視點(diǎn)變化(VC)、快速運(yùn)動(dòng)(FM)、低分辨率(LR)、遮擋(OCC)和照明變化(IV)。

此外，為了驗(yàn)證LADCT 方法的普適性，在最具代表性的無(wú)人機(jī)UAV123 數(shù)據(jù)集上進(jìn)行對(duì)比驗(yàn)證，其具有12 個(gè)挑戰(zhàn)屬性，包括長(zhǎng)寬比變化(ARC)、背景雜波(BC)、攝像機(jī)運(yùn)動(dòng)(CM)、快速運(yùn)動(dòng)(FM)、全遮擋(FOC)、照明變化(IV)、低分辨率(LR)、視覺(jué)越界(OV)、部分遮擋(POC)、尺度變化(SV)、類(lèi)似對(duì)象(SOB)和視點(diǎn)變化(VC)。

4.2 評(píng)價(jià)指標(biāo)

為了公平且有效地評(píng)估算法的跟蹤精度，采用中心誤差（center location error，CLE）和重疊率（overlap rate，OR）作為評(píng)價(jià)指標(biāo)。中心誤差是指目標(biāo)真實(shí)位置與算法所跟蹤到位置的歐氏距離，其距離小于一個(gè)設(shè)定的閾值則表示跟蹤成功，反之則為失?。恢丿B率計(jì)算的是目標(biāo)真實(shí)的邊界框與算法跟蹤到的邊界框的重疊區(qū)域占整個(gè)目標(biāo)區(qū)域的比例，將重疊比例與閾值相比較來(lái)判斷是否跟蹤成功。本文使用這兩個(gè)指標(biāo)計(jì)算跟蹤成功的視頻幀占總視頻幀的比例，對(duì)跟蹤方法進(jìn)行定量評(píng)估。UAVDark135 數(shù)據(jù)集采用的中心誤差閾值為20，重疊率閾值為0.5。

4.3 結(jié)果分析

4.3.1 總體分析

圖2 給出了LADCT 算法與對(duì)比的9 種方法的綜合評(píng)估結(jié)果。實(shí)驗(yàn)表明：LADCT 在UAVDark 135 和UAV123 數(shù)據(jù)集上的綜合精度與準(zhǔn)確率皆取得了第一的表現(xiàn)。

圖2 提出的方法與9 種方法的綜合評(píng)價(jià)結(jié)果Fig.2 Comprehensive evaluation results of the proposed method and nine other methods

在UAVDark135 數(shù)據(jù)集中，較之第2 名ADTrack，LADCT 算法在精度和準(zhǔn)確率上分別提升了0.22 和0.20。此外，較之基準(zhǔn)跟蹤器BACF、LADCT 算法則分別提高了14.5%和11.3%。這是因?yàn)樘岢龅墓庹兆赃m應(yīng)模塊使跟蹤算法能夠在昏暗環(huán)境下自適應(yīng)補(bǔ)償光照信息，從而提取更多的目標(biāo)信息，提高學(xué)習(xí)到目標(biāo)模型的準(zhǔn)確性。此外，構(gòu)建目標(biāo)掩碼不僅能提取目標(biāo)顯著性的特征，還能保存光照增強(qiáng)后的語(yǔ)義信息，緩解光照自適應(yīng)模塊帶來(lái)的語(yǔ)義信息退化問(wèn)題，使得訓(xùn)練的濾波器對(duì)前景和背景具有更強(qiáng)的判別能力。最后構(gòu)建動(dòng)態(tài)一致性標(biāo)簽及采用跨幀感知語(yǔ)義動(dòng)態(tài)一致性約束策略，進(jìn)一步提高了跟蹤器對(duì)目標(biāo)的感知能力，降低了目標(biāo)模型學(xué)習(xí)過(guò)程中受到背景干擾的影響，提高了算法的魯棒性。

在UAV123 數(shù)據(jù)集中，LADCT 算法依然取得良好的表現(xiàn)。對(duì)比第2 名ASRCF，精度和準(zhǔn)確率分別提升0.18 和0.31，而對(duì)比基準(zhǔn)BACF、LADCT 算法分別提升了15.1% 和16.2%，說(shuō)明LADCT 算法在光照充足環(huán)境下同樣具有優(yōu)異的跟蹤性能。這是因?yàn)樘崛×藢?duì)目標(biāo)具有感知能力的特征，保存更多的目標(biāo)語(yǔ)義信息，從而訓(xùn)練更加魯棒的濾波器。動(dòng)態(tài)一致性策略利用跨幀之間的時(shí)間信息，構(gòu)建一致性標(biāo)簽，提高濾波器對(duì)目標(biāo)模型的學(xué)習(xí)效率，從而提高無(wú)人機(jī)跟蹤的準(zhǔn)確性。

4.3.2 屬性分析

為了更加清晰地評(píng)估跟蹤算法在特定挑戰(zhàn)下的跟蹤性能，圖3 給出了LADCT 算法與其他9 種先進(jìn)跟蹤器在UAVDark135 數(shù)據(jù)集上5 種無(wú)人機(jī)跟蹤挑戰(zhàn)屬性(視點(diǎn)變化、快速運(yùn)動(dòng)、低分辨率、遮擋和照明變化)的跟蹤結(jié)果。

圖3 LADCT 在UAVDark135 數(shù)據(jù)集上的5 種挑戰(zhàn)屬性評(píng)價(jià)結(jié)果Fig.3 Evaluation results of five challenge attributes of LADCT in the UAVDark dataset

實(shí)驗(yàn)表明：LADCT 算法在視點(diǎn)變化、快速運(yùn)動(dòng)、遮擋和照明變化4 種挑戰(zhàn)屬性環(huán)境下取得較好的跟蹤表現(xiàn)，LADCT 分別取得0.742、0.727、0.642、0.729 的中心位置誤差和0.622、0.634、0.562、0.665 的重疊率。在VC 和FM 挑戰(zhàn)環(huán)境下，LADCT 算法通過(guò)構(gòu)建動(dòng)態(tài)一致性約束策略，能夠在視點(diǎn)或者物體快速變化時(shí)自適應(yīng)學(xué)習(xí)到變化的目標(biāo)外觀，同時(shí)由于利用了跨幀之間的時(shí)空信息抑制響應(yīng)畸變，使得算法能夠更平穩(wěn)更新濾波器，保證了算法的魯棒性。在IV 屬性下，LADCT 與ADTrack 算法同樣針對(duì)光照進(jìn)行了彌補(bǔ)，而LADCT 算法表現(xiàn)優(yōu)于ADTrack 算法。這是因?yàn)闃?gòu)建了具有目標(biāo)感知能力的動(dòng)態(tài)一致性標(biāo)簽與約束策略，使得LADCT 算法魯棒性更強(qiáng)，在訓(xùn)練過(guò)程中可以保留目標(biāo)的語(yǔ)義信息，從而降低光照變化對(duì)學(xué)習(xí)目標(biāo)模型的干擾。同時(shí)在OCC 屬性下，LADCT也取得較好的表現(xiàn)，分別取得0.642 的最佳中心位置誤差和0.562 的重疊率精度。這是因?yàn)榭鐜瑒?dòng)態(tài)一致性約束在跟蹤器丟失目標(biāo)時(shí)降低了學(xué)習(xí)速率，從而保留多幀之前的目標(biāo)信息。然而，在低分辨率場(chǎng)景下LADCT 算法表現(xiàn)不佳，不及第1 名的AutoTrack。這是因?yàn)楫?dāng)分辨率過(guò)低時(shí)，目標(biāo)掩碼會(huì)誤將背景像素的信息當(dāng)作目標(biāo)從而使濾波器學(xué)習(xí)到背景干擾信息。此外，表2 和表3 給出了在UAV123 數(shù)據(jù)集上，LADCT 算法在12 種挑戰(zhàn)環(huán)境下的表現(xiàn)，可見(jiàn)在大多數(shù)挑戰(zhàn)下，LADCT算法都獲得了最佳的表現(xiàn)。再次驗(yàn)證LADCT 算法在無(wú)人機(jī)跟蹤方面具有魯棒性和精確度。

表2 不同算法在UAV123 數(shù)據(jù)集不同挑戰(zhàn)場(chǎng)景的中心位置誤差結(jié)果對(duì)比Table 2 Comparison of the center position error results of different algorithms in different challenge scenarios of the UAV123 dataset

表3 不同算法在UAV123 數(shù)據(jù)集不同挑戰(zhàn)場(chǎng)景的重疊率結(jié)果對(duì)比Table 3 Comparison of the overlap rate results of different algorithms in different challenge scenarios of the UAV123 dataset

4.3.3 定性分析

為了更直觀展示LADCT 算法的有效性，圖4給出了LADCT 與ADTrack、AutoTrack、SRDCF、ARCF 等4 種跟蹤算法在5 個(gè)視頻上的可視化對(duì)比圖。其中前3 個(gè)是夜晚場(chǎng)景，后兩個(gè)是白天跟蹤場(chǎng)景。通過(guò)第2 個(gè)視頻序列可以看出，在黑暗場(chǎng)景下其他4 種跟蹤算法容易跟丟目標(biāo)，尤其是面臨視點(diǎn)變化、快速運(yùn)動(dòng)等挑戰(zhàn)。而LADCT 算法能較好地應(yīng)對(duì)黑暗場(chǎng)景，準(zhǔn)確地在黑暗場(chǎng)景下識(shí)別并跟蹤目標(biāo)。這說(shuō)明LADCT 算法構(gòu)建的動(dòng)態(tài)一致性約束策略能夠在黑暗場(chǎng)景中較好地適應(yīng)目標(biāo)外觀變化，更新目標(biāo)模型的同時(shí)避免模型漂移的發(fā)生。此外，第1 個(gè)視頻和第3 個(gè)視頻，所有的算法都能跟蹤到目標(biāo)，但是由于在黑暗場(chǎng)景中，這些算法不能很好地估算目標(biāo)的尺度變化，因此標(biāo)記的目標(biāo)框與實(shí)際的目標(biāo)尺度差別較大。而LADCT 算法通過(guò)光照自適應(yīng)增強(qiáng)模塊能夠提取更多的目標(biāo)信息。同時(shí)構(gòu)建具有目標(biāo)感知能力的跨幀動(dòng)態(tài)一致性約束策略，進(jìn)一步提高了濾波器的判別能力，能夠更好對(duì)目標(biāo)位置及尺寸進(jìn)行估計(jì)。這也是LADCT 在重疊率精度評(píng)估獲得較好表現(xiàn)的原因。第4 個(gè)和第5 個(gè)視頻給出了LADCT 算法在光照充足條件下也能準(zhǔn)確地跟蹤目標(biāo)并精準(zhǔn)估計(jì)目標(biāo)尺寸。這是由于LADCT 構(gòu)建了目標(biāo)掩碼增強(qiáng)特征對(duì)目標(biāo)的感知能力，同時(shí)采用一致性標(biāo)簽及動(dòng)態(tài)約束策略，對(duì)目標(biāo)跨幀信息進(jìn)行充分利用，提高了算法的魯棒性。

圖4 5 種方法在5 個(gè)視頻上的可視化結(jié)果Fig.4 Visualization results of five methods on five videos

此外對(duì)10 種方法的跟蹤速度進(jìn)行了對(duì)比。其中大部分都達(dá)到了實(shí)時(shí)跟蹤的要求，即25 f/s。LADCT 以26.51 f/s 的速度在單個(gè)CPU 上運(yùn)行，因此能夠廣泛應(yīng)用于各種無(wú)人機(jī)平臺(tái)完成目標(biāo)跟蹤任務(wù)。

4.3.4 消融實(shí)驗(yàn)分析

為了驗(yàn)證提出的光照自適應(yīng)模塊和動(dòng)態(tài)一致性策略的有效性，在UAVDark135 數(shù)據(jù)集上進(jìn)行消融實(shí)驗(yàn)對(duì)比分析。模塊A 為光照自適應(yīng)模塊，模塊B 為目標(biāo)感知?jiǎng)討B(tài)一致性評(píng)估模塊。如圖5所示，基準(zhǔn)跟蹤器可以分別從光照自適應(yīng)模塊和動(dòng)態(tài)一致性策略中受益。其中，光照自適應(yīng)模塊對(duì)基準(zhǔn)期在黑暗光線場(chǎng)景進(jìn)行有效跟蹤助益最大，距離精度提升0.049，重疊成功率提升0.37。這說(shuō)明光照自適應(yīng)模塊能夠幫助跟蹤器在光線惡劣場(chǎng)景精確地完成跟蹤任務(wù)。引入具有目標(biāo)感知能力的動(dòng)態(tài)一致性策略能夠提高算法有效應(yīng)對(duì)光照條件不足時(shí)背景環(huán)境的干擾。

圖5 采用不同模塊在UAVDark135 數(shù)據(jù)集的對(duì)比結(jié)果Fig.5 Comparison results of different modules in the UAVDark135 dataset

此外，針對(duì)UAVDark135 數(shù)據(jù)集中的視頻序列car8 進(jìn)行響應(yīng)值差異對(duì)比。如圖6 所示，當(dāng)響應(yīng)值差異越大時(shí)，跟蹤算法越容易發(fā)生目標(biāo)丟失情況。在使用基準(zhǔn)跟蹤器進(jìn)行跟蹤時(shí)，響應(yīng)誤差較大。而增加光照自適應(yīng)模塊，即基準(zhǔn)跟蹤器+模塊A，由于目標(biāo)有效信息更多，所以響應(yīng)更平滑，但在遮擋、視角變化挑戰(zhàn)發(fā)生時(shí)依然存在響應(yīng)突變。當(dāng)兩個(gè)模塊都使用時(shí)，LADCT 跟蹤方法的響應(yīng)誤差突變被抑制，因此在遭遇各種挑戰(zhàn)場(chǎng)景也能較好地完成跟蹤任務(wù)。

圖6 采用不同模塊在單個(gè)視頻上的響應(yīng)值差異Fig.6 Differences in the response values of different modules on a single video

5 結(jié)束語(yǔ)

本文提出一種基于光照自適應(yīng)動(dòng)態(tài)一致性的無(wú)人機(jī)跟蹤算法，通過(guò)對(duì)場(chǎng)景光線的識(shí)別及自適應(yīng)增強(qiáng)，同時(shí)構(gòu)建目標(biāo)語(yǔ)義感知?jiǎng)討B(tài)一致性標(biāo)簽實(shí)現(xiàn)跟蹤過(guò)程中跨幀間的目標(biāo)一致，解決無(wú)人機(jī)跟蹤在面對(duì)光線惡劣環(huán)境表現(xiàn)不佳的問(wèn)題。LADCT 算法未能及時(shí)識(shí)別遮擋并在后續(xù)跟蹤及時(shí)重定位目標(biāo)，影響了遮擋場(chǎng)景的跟蹤精度。下一步將研究能夠判別跟蹤異常并進(jìn)行目標(biāo)重定位的目標(biāo)重識(shí)別策略。