復雜場景中相關濾波跟蹤算法的優化

李福進，劉慧慧，任紅格，史 濤

（華北理工大學電氣工程學院，河北 唐山 063210）

1 引言

目標跟蹤技術已經成為計算機視覺領域的一個引人注目的研究課題。它在機器人、智能視頻監控、視覺導航等領域有著廣泛的應用。學者們對建立跟蹤的數據集及評估基準［1-2］、提高定位精度［3］進行了大量研究，促進了該領域的重大發展。

相關濾波（CF）跟蹤方法［4］因其高幀率和在數據集上優越的表現在最近幾年中應用廣泛，取得了顯著的研究進展。為提高跟蹤精確度，文獻［5］將核空間和方向梯度直方圖（HOG）集成到CF跟蹤器中，簡稱為KCF。尺度變化可能會在訓練樣本中引入局部紋理或背景信息干擾跟蹤，因此也有學者改進跟蹤器的尺度自適應能力。文獻［6］提出的尺度自適應方案（SAMF）應用廣泛。文獻［7］將定位與尺度估計分別進行預測，為尺度估計引入了新思路。核互相關器（KCC）［8］是非線性的相關器，它能夠在保障了合理的計算成本情況下，預測任意仿射變換，為CF提供了統一解。此外，文獻［9］將CF用于長期跟蹤，對可信度低的目標位置進行重檢測，顯著提高了跟蹤性能。也有學者在CF方法的采樣策略［10］、特征提取方式［11-12］和提高樣本質量［13］等方面做出改進，進一步提高了其應對強烈的外觀變化和背景雜亂等復雜視頻跟蹤場景中的性能。

盡管相關濾波理論已有了很大的發展，但仍有很多問題需要解決。傳統的CF在估計尺度時，需要反復計算不同尺度下的平移濾波器，導致計算量相應增加。提取的特征表征力不足同樣影響著跟蹤性能。此外，由于跟蹤過程中小誤差的積累，可能會造成更新階段模型被損壞的問題。

針對上述問題，建立了一個跟蹤框架可以分別學習平移相關濾波器和尺度相關器。該框架同時考慮到HOG與顏色直方圖的互補特性，結合了多個特征來更精確地預測目標位置。再應用KCC在簡化計算的同時對尺度變化進行有效的預測。此外，采用閾值來判斷是否更新模型，減輕了模型漂移。實驗表明，提出的跟蹤算法在基準數據集（OTB-2015）上表現良好，成功率和精度分數分別為68.4%，78.1%。

2 跟蹤算法設計

為了在復雜視頻場景中更有效地估計目標位置及尺度變換，提高跟蹤效果，本算法采用結合顏色直方圖和HOG特征的跟蹤框架來精確地預測目標的位置。然后，使用核尺度相關器（KSC）來預測尺度變換，避免在不同尺度上進行大量的重復計算。同時為了防止模型漂移，將采用一種保守的方式更新模型。

2.1 位置預測

考慮到在運動模糊和光照時，HOG特征可以高效地跟蹤目標，同時顏色直方圖應對目標的形變能實現很好地跟蹤性能。因此，為了獲得更好的跟蹤效果，本節在CF基礎上結合上述特征來預測目標的位置。

2.1.1 訓練階段

在每幀中，提取一個帶有感興趣對象的m通道特征圖像塊xo∈?n。對應于目標的期望輸出g∈?n是一個二維高斯向量圖。通過最小化目標函數得到模板：

式中：λtmpl—正則化參數；T∈?n×nm—特征圖像塊所對應的循環矩陣；模板取f∈?nm。得到最優模板為：

濾波器模板在頻域中被高效學習：

式中：xoj—每個特征維j，l∈{1 …m}對應的特征圖像塊；—xoj的共軛—xoj的傅里葉變換。式（3）中分母的每一小塊可表示為：

其中，由于所有塊均是對角的，則這個系統可以看成n個獨立的?m×m維小系統。因此可以在每個特征像素p∈{1 …n}上求解從而使計算簡單化。

算法采用自適應地方式估計平移位置［9］。應用最可信的目標響應來訓練模型參數，即為保證跟蹤性能、防止模型漂移，算法采用了閾值?，當max≥?時，選擇更新模型參數。此處模板可以簡寫為則當前幀f的模型參數在線更新如下：

式中：ηtmpl—模板的學習率。

另一方面，該算法同時采用特定形式的特征?[v]=ek[v]，其中ei是在i處值為1，其他處值為0的向量。則在每個特征像素上的目標函數為［12］：

式中：? ??2—目標區域；? ??2—背景區域；h—直方圖權重向量，hT?[v]=hk[v]；?：? →?M—M通道特征圖。對于每個特征維j=1，...，M的目標函數為：

式中：Nj(C)=|{v∈C：k[v]=j}—特征圖像區域內的像素數。

若ρj(C)=Nj(C)/ |C|，則第f幀的最小化目標函數為：

直方圖模型參數更新方式與模板更新相同，采用閾值判斷后，再使用學習率ηhist對(?)和(?)進行在線更新。

2.1.2 檢測階段

檢測階段時，在新幀中，從前一幀的預測區域中提取一個特征圖像塊z，作為測試樣本。因此，可以應用濾波器來獲得模板響應分數為：

直方圖響應為：

最終，采用融合因子γ將上述兩特征的響應圖進行線性融合得到分數函數為：

因此最大響應位置即為預測的目標位置。

2.2 尺度預測

核尺度相關器（KSC）［8］可以用單次FFT來估計尺度變化，減少了傳統尺度預測的計算量。因此，本跟蹤算法在新幀中搜索目標位置時，先利用融合了多種特征的樣本來訓練平移CF，進行精確定位，再運用引入HOG特征的KSC進行尺度估計。

訓練的目的是學習一個核尺度相關器f∈?m，使損失函數取得最小值：

給出信號z∈?n，由于尺度空間的非周期性結構，在跟蹤過程中存在邊界效應，向核向量補零可以減輕此不利影響，即：

其中，κx(z)，f∈?2m，補零是可選擇的。訓練后的核尺度相關器為：

采用與位置估計相同的方式更新尺度模型參數，核尺度相關響應可以表示為：

2.3 算法執行

通過學習平移濾波器得到新幀中的位置信息。然后在預測的目標位置用KSC估計目標尺度。從最大尺度相關得分得到與前一幀相比的尺度變化。跟蹤方法的流程圖，如圖1所示。

圖1 提出的跟蹤算法流程圖Fig.1 A Brief Outline of Proposed Tracking Algorithm

3 實驗

在本節中，將提出的算法在在線跟蹤基準（OTB-2015）上進行了評估。在Matlab R2014a 中進行仿真，實驗環境為Intel（R）Core（TM）i5-4200U CPU@1.60 GHz 2.3 GHz。

模型參數設置，如表1所示。

表1 實驗參數設置Tab.1 The Parameters Setting in Our Experiments

將所提出的跟蹤算法與其他三種優秀的跟蹤器（KCF［5］、SAMF［6］、KCC［8］）進行比較。提出的方法在閾值為20像素情況下的距離精度（DP）和在重疊閾值為0.5 的情況下的重疊成功率（OS）相較于其他方法性能表現良好。跟蹤算法在100個序列中的精度圖，如圖2所示。成功率圖，如圖3所示。所提出的算法提供了相當不錯的跟蹤效果，OS 得分為68.4%，DP 得分為78.1%。該方法較KCC 和SAMF 分別提高了2.6%的準確率和1%的成功率?；鶞蕯祿?1種屬性描述了跟蹤問題中的不同挑戰。為清晰起見，11 個屬性下的重疊成功率平均得分，如表2 所示。距離精度平均得分，如表3 所示。在平均精度方面，所提算法在大多屬性中表現優異，僅在視野外、形變、低分辨率、遮擋情況下性能較其他算法有所降低。該算法在保持良好精度的同時還表現出了較高的成功率，尤其是尺度變化（OS 59.8%）、快速運動（OS 66.0%）、背景雜波（OS 77.9%）、運動模糊（OS 69.4%）、光照變化（OS 72.2%）、視線外（OS 58.7%）和平面內旋轉（OS 68.6%）。在低分辨率、平面外旋轉和遮擋的情況下，跟蹤器的成功率僅次于SAMF。

圖2 100個序列中的精度圖Fig.2 Precision Plots over All the 100 Sequences

圖3 100個序列中的成功率圖Fig.3 Success Plots over All the 100 Sequences

表2 不同跟蹤挑戰下的平均成功率Tab.2 Average Success Rate in Different Tracking Challenges

表3 不同跟蹤挑戰下的平均精度Tab.3 Average Precision in Different Tracking Challenges

4 結論

為提高跟蹤精度、減小傳統尺度估計的計算復雜度，提出了一種在OTB-2015數據集上具有良好的跟蹤效果的目標跟蹤方法。為提高定位精度，采用顏色直方圖和相關濾波模板相結合的方法確定目標位置。同時，采用核尺度相關器進行尺度估計，大大減少了不同尺度下的重復計算。此外，采用一種保守的更新策略來減輕模型損壞的問題。大量實驗表明，該算法在CPU上實現了實時跟蹤的同時具有較高的跟蹤精度。