帶目標恢復(fù)的無人機長期白適應(yīng)相關(guān)濾波跟蹤算法

關(guān)鍵詞：目標跟蹤，外觀融合模型，正則化，通道可靠性，目標恢復(fù)

中圖分類號：TP391. 4 文獻標志碼：A

隨著無人航行器［1-2］技術(shù)的迅速發(fā)展，其對地面目標的跟蹤技術(shù)成為目前的研究熱點. Bol?me et al［3］首次將相關(guān)濾波引入到目標跟蹤中，Henriques et al［4］在此基礎(chǔ)上提出了CSK （Ex?ploiting the Circulant Structure of Tracking?by?De?tection with Kernels）算法，加入正則項來解決過擬合問題. KCF（Kernel Correlation Filter）算法［5］基于HOG［6］特征，進一步提高了目標跟蹤的精確度. 在跟蹤過程中，由于相機運動產(chǎn)生尺度問題，DSST （Discriminative Scale Space Tracking）算法［7］增加了尺度濾波器. SAMF （Scale Adaptivewith Multiple Features）算法提出一種多尺度方法，定義七個固定尺度的尺度池來確定目標尺度大小. SRDCF （Spatially Regularized Discrimina?tiv Correlation Filters）算法［8］引入空間正則化來解決邊界效應(yīng)的影響，但算法的速度受到限制.Staple （Complementary Learners for Real ? Time Tracking）算法［9］將顏色直方圖特征與HOG 特征融合來提高跟蹤效果. BACF （Learning Back?ground ? Aware Correlation Filters for VisualTracking）算法［10］對于背景的區(qū)分能力很強，但對于目標遮擋等復(fù)雜場景的效果不佳. STRCF（Earning Spatial ? Temporal Regularized Correla?tion Filters for Visual" Tracking）算法［11］引入時間正則化來限制濾波器的更新，TLD （Tracking" ?Learning?Detection）算法［12］通過跟蹤、學(xué)習(xí)、檢測相結(jié)合來處理一些跟蹤難題. Ma et al［13］提出一種基于分類器的LCT （Long ? term CorrelationTracking）算法，用于目標丟失后對其再次檢測，但跟蹤精確度有待提高. 2020 年Li et al［14］提出一種在線自動自適應(yīng)學(xué)習(xí)時空正則化項的新方法AutoTrack，目標跟蹤技術(shù)廣泛應(yīng)用在工業(yè)和生活中. 當無人機跟蹤地面運動目標時，面臨著目標場景遮擋、光照變化等復(fù)雜情況，導(dǎo)致濾波模型性能下降. 為了解決該問題，本文提出一種無人機對地面目標的穩(wěn)定實時跟蹤算法，通過外觀融合模型、自適應(yīng)局部正則化限制濾波器和目標恢復(fù)三個方面進行改進，有效提升了濾波器性能，提高了目標跟蹤的成功率和精確度，與其他算法相比，成功應(yīng)對了目標移出視野、被遮擋等復(fù)雜場景下的跟蹤挑戰(zhàn).

1改進算法

1. 1多特征融合 結(jié)合FHOG、灰度和CN 等特征構(gòu)建外觀融合模型，從三個不同的角度關(guān)注圖像特征信息，流程如圖1所示.

1. 2自適應(yīng)局部時空正則化

1. 2. 1擬解決的問題 邊界效應(yīng)嚴重限制了跟蹤性能，為了減少不合理樣本引入了余弦窗，但余弦窗影響了對背景信息的學(xué)習(xí)，并且當目標移動到區(qū)域邊緣時，余弦窗會導(dǎo)致目標的部分信息被去除，導(dǎo)致跟蹤結(jié)果不佳甚至跟蹤失敗. 濾波器的更新影響目標跟蹤的效果，在光照變化、遮擋和目標形變等復(fù)雜環(huán)境下，如果每幀更新濾波器，會導(dǎo)致濾波器跟蹤效果不好以至跟蹤失敗. 大多數(shù)算法采用擴大搜索來應(yīng)對復(fù)雜場景，但擴大搜索會帶來大量的背景信息，從而影響濾波器的穩(wěn)定性，使濾波器發(fā)生退化.

3. 3. 1總體性能評估 圖5展示了八種算法在UAV20L 數(shù)據(jù)集上的精確度和成功率，由圖可見，本文提出的算法精確度為0. 724，成功率為0. 621.與其他算法相比，本文提出的算法總體性能最優(yōu).由UAV20L 數(shù)據(jù)集上的測試結(jié)果可見，本文算法比STRCF，SRDCF，AutoTrack，DSST，SAMF，LCT 和TLD 算法精確度分別提高了0. 149，0. 217，0. 225，0. 265，0. 267，0. 365 和0. 388，成功率分別提高了0. 106，0. 203，0. 216，0. 241，0. 331，0. 371 和0. 431.表1 展示了八種算法運行速度的對比結(jié)果，由表可見，本文提出的算法的運行速度達25 FPS，滿足實時性.

3. 3. 2屬性性能分析 本文提出的算法在長寬比變化（ARC）、背景干擾（BC）、相機運動（CM）、快速運動（FM）、完全遮擋（FOC）、光照變化（IV）、低分辨率（LR）、移出視野（OV）、尺度變化（SV）、視點變化（VC）、相似目標（POC）、部分遮擋（SOB）12 種復(fù)雜場景下的定量分析結(jié)果如表2 所示，表中黑體字表示結(jié)果最優(yōu)，跟蹤效果對比如圖6 所示.結(jié)果表明與其他算法相比，本文提出的算法在復(fù)雜場景下的適用性更優(yōu)，跟蹤效果更好.

3. 3. 3部分序列性能評估

3. 3. 3. 1 car1序列性能評估 圖7 展示了八種算法在序列car1上的精確度和成功率，從定量方面分析，由圖可見，在遮擋、形變等復(fù)雜場景的序列car1上，本文算法比STRCF，SRDCF，AutoTrack，DSST，SAMF，LCT 和TLD的精確度分別提高了0. 058，0. 058，0. 058，0. 058，0. 1，0. 097 和0. 069，成功率提高了0. 028，0. 027，0. 002，0. 391，0. 084，0. 391 和0. 261.

從定性方面分析，圖8 展示了八種算法在序列car1上的跟蹤結(jié)果，在序列car1第1500幀時，目標發(fā)生劇烈形變，SAMF 和LCT 算法已經(jīng)跟蹤失敗，濾波器完全退化，DSST算法跟蹤狀況不佳，勉強實現(xiàn)定位. 第1535幀時目標在視野中消失，第1573幀時重新出現(xiàn)，只有本文提出的算法跟蹤成功，第1720幀時依然只有本文提出的算法成功跟蹤目標. 結(jié)果表明本文提出的算法在發(fā)生完全遮擋、丟失目標后可以成功找回目標，能適應(yīng)復(fù)雜的場景.

3. 3. 3. 2 group2序列性能評估 圖9 展示了八種算法在序列g(shù)roup2上的精確度和成功率，從定量方面分析，在序列g(shù)roup2 部分遮擋、光照變化、完全遮擋和移出視野等復(fù)雜場景中，本文提出的算法均排名第一，精確度分別比STRCF，SRDCF，Au?toTrack，DSST，SAMF，LCT 和TLD 提高了0. 618，0. 618，0. 618，0. 618，0. 618，0. 618 和0. 599，成功率分別提高了0. 525，0. 525，0. 525，0. 525，0. 525，0. 525 和0. 512.

圖10展示了八種算法在序列g(shù)roup2上的跟蹤結(jié)果，從定性方面分析，在序列g(shù)roup2第97幀時，TLD 算法跟蹤失敗，濾波器完全退化，其他算法不受小范圍的遮擋影響，依然能跟蹤成功. 第120 幀時目標在視野中消失，第149 幀時目標重新出現(xiàn)在視野里，此時目標經(jīng)歷了嚴重的光照變化，只有本文提出的算法跟蹤成功. 第200幀時目標經(jīng)歷了快速運動、光照變化，此時只有本文算法和SAMF算法跟蹤成功，但SAMF 算法跟蹤狀況不佳，精確度不高. 第220 幀時只有本文算法跟蹤成功，在經(jīng)歷快速運動和運動形變后的第514幀時，只有本文提出的算法跟蹤成功. 在發(fā)生光照變化、快速運動和劇烈形變等無人機復(fù)雜場景下，本文提出的算法可實現(xiàn)目標的成功跟蹤，并且在發(fā)生遮擋、丟失目標后可以成功找回目標.

3. 3. 3. 3 person17序列性能評估 圖11展示了八種算法在序列person17上的精確度和成功率，從定量方面分析，在場景相對簡單的person17序列中，AutoTrack精確度排名第一，精確度為0. 997.本文提出的算法精確度為0. 995，排名第三，與Au?toTrack只相差0. 002. STRCF 算法的成功率以0. 968 排名第一，本文提出的算法以0. 960 排名第二，只與STRCF 相差0. 008. 綜合精確度和成功率，本文提出的算法在person17序列中表現(xiàn)優(yōu)秀，在普通的簡單場景中跟蹤效果依然穩(wěn)定.

圖12展示了八種算法在序列person17上的跟蹤結(jié)果，從定性方面分析，在序列person17 中大部分算法都能實現(xiàn)穩(wěn)定和準確地跟蹤目標.

3. 3. 3. 4 person19 序列性能評估 圖13為八種算法在序列person19 上的精確度和成功率，從定量方面分析，在序列person19 上本文提出的算法排名第一，比STRCF，SRDCF，AutoTrack，DSST，SAMF，LCT 和TLD精確度分別提高了0. 346，0. 347，0. 354，0. 413，0. 343，0. 471 和0. 332，成功率分別提高了0. 015，0. 019，0. 033，0. 18，0. 076，0. 18 和0. 005.

圖14 為八種算法在序列person19上的跟蹤結(jié)果，從定性方面分析，在序列person19第1021 幀時目標發(fā)生了部分遮擋，所有算法都跟蹤成功. 目標在第1167幀時消失，第1177幀時重新出現(xiàn)，此時只有LCT，SRDCF和本文提出的算法跟蹤成功，其中本文提出的算法跟蹤效果最好. 第1902 幀時目標部分消失在視野里，出現(xiàn)部分遮擋，此時只有TLD，LCT和本文提出的算法跟蹤成功，其他濾波器均已完全退化. 第1759幀時只有TLD和本文提出的算法跟蹤成功. 第3084 幀時出現(xiàn)部分遮擋，只有本文提出的算法穩(wěn)定地成功跟蹤. 結(jié)果表明本文提出的算法在經(jīng)歷多次目標在視野中消失后重新出現(xiàn)，仍能穩(wěn)定地成功跟蹤.

4結(jié)論

本文提出一種小型無人機場景下運動目標的相關(guān)濾波跟蹤算法，從外觀融合模型、正則化限制濾波器和目標恢復(fù)三個方面進行改進，提升了跟蹤精確度，解決了移出視野、遮擋等復(fù)雜場景下的跟蹤問題. 實驗結(jié)果表明，本文提出的算法在目標出現(xiàn)光照變化、嚴重遮擋、快速運動等復(fù)雜場景時，跟蹤效果穩(wěn)定，并且具有實時性能. 在工程應(yīng)用方面仍面臨很多復(fù)雜情況，未來需要對濾波器模型繼續(xù)研究.

（責(zé)任編輯 高善露）