基于LCT+的自適應(yīng)抗遮擋目標(biāo)跟蹤算法

陳富健，謝維信，夏 婷

深圳大學(xué)ATR國防科技重點(diǎn)實(shí)驗(yàn)室，廣東 深圳518060

目標(biāo)跟蹤[1]作為計(jì)算機(jī)視覺領(lǐng)域中重要的研究課題之一，在視頻監(jiān)控、國防軍事、智能機(jī)器人等方面都有著廣泛的應(yīng)用前景。但在目標(biāo)跟蹤的過程中存在著目標(biāo)形變、運(yùn)動模糊、尺度變化、背景變化、遮擋等情況，容易降低跟蹤的精度和魯棒性。尤其是當(dāng)目標(biāo)被遮擋時(shí)，目標(biāo)外觀信息丟失導(dǎo)致跟蹤器更容易產(chǎn)生漂移，最終跟丟目標(biāo)。因此實(shí)現(xiàn)高精度和高魯棒性的目標(biāo)跟蹤仍具有很大的挑戰(zhàn)。

近幾年，基于相關(guān)濾波算法的優(yōu)越性顯著，成為研究的主流，研究者們對其提出了不同的改進(jìn)策略。相關(guān)濾波算法在目標(biāo)跟蹤領(lǐng)域的應(yīng)用最早源于Bolme等人[2]提出的誤差最小平方和算法，其利用傅里葉變換的性質(zhì)，大大加快目標(biāo)跟蹤的速度，達(dá)到幾百幀的超快速度。Henriques等人[3]在此基礎(chǔ)上提出核相關(guān)濾波算法，利用循環(huán)卷積的性質(zhì)對圖像進(jìn)行密集采樣，更加有效訓(xùn)練相關(guān)濾波器，并且利用核函數(shù)的性質(zhì)提高計(jì)算速度。Henriques等人[4]為進(jìn)一步提高目標(biāo)跟蹤的精度，在目標(biāo)的特征信息提取上，利用方向梯度直方圖特征，將單通道特征擴(kuò)展為多通道。Danelljan等人[5]則利用顏色特征信息，將單通道擴(kuò)展為多通道。Danelljan 等人[6]針對尺度問題，提出尺度自適應(yīng)的核相關(guān)濾波器，有效解決跟蹤過程中目標(biāo)尺度變化的問題。Li等人[7]針對目標(biāo)尺度變化和旋轉(zhuǎn)問題，提出大位移跟蹤與相似度估計(jì)算法，利用相位相關(guān)的策略，將笛卡爾坐標(biāo)系轉(zhuǎn)化到對數(shù)坐標(biāo)系中，目標(biāo)尺度變化和旋轉(zhuǎn)問題得以解決。

存在遮擋情況下，目標(biāo)跟蹤是一個(gè)復(fù)雜的任務(wù)。當(dāng)目標(biāo)被遮擋時(shí)，跟蹤器容易混入背景噪聲，使得模板過擬合而削弱目標(biāo)跟蹤的性能，導(dǎo)致目標(biāo)跟丟。針對遮擋問題，Kalal 等人[8]提出將檢測和跟蹤相結(jié)合的策略，在目標(biāo)遮擋或丟失時(shí)采取檢測的方法重檢目標(biāo)，有效解決目標(biāo)遮擋問題，但跟蹤方法的精度不高。Ma等人[9]在核相關(guān)濾波算法的基礎(chǔ)上，提出長期跟蹤算法（Long-term Correlation Tracking，LCT），采用隨機(jī)蕨分類器進(jìn)行目標(biāo)檢測，以解決目標(biāo)遮擋問題。Ma 等人[10]在LCT 算法的基礎(chǔ)上進(jìn)一步改進(jìn)提出LCT+算法，采用支持向量機(jī)替代隨機(jī)蕨分類器提高了跟蹤的精度。Xiong等人[11]提出一種并行跟蹤和檢測相結(jié)合算法，分別在不同的線程進(jìn)行跟蹤和檢測的處理，具有高速目標(biāo)跟蹤和修正失敗跟蹤器的能力。Zhao 等人[12]在判別相關(guān)濾波算法的基礎(chǔ)上提出了一種全局關(guān)鍵點(diǎn)匹配算法，用于目標(biāo)丟失時(shí)的遮擋判斷和目標(biāo)重新檢測，實(shí)現(xiàn)了目標(biāo)的長時(shí)間跟蹤。Islam等人[13]在相關(guān)濾波算法的基礎(chǔ)上提出邊緣盒檢測的方法，基于位置和邊框大小計(jì)算目標(biāo)的邊緣置信度，能夠快速重新定位目標(biāo)。

本文算法主要針對目標(biāo)遮擋中存在的問題，基于LCT+核相關(guān)濾波算法提出了雙跟蹤器自適應(yīng)跟蹤的策略和支持向量機(jī)自適應(yīng)重檢測目標(biāo)的策略。雙跟蹤器自適應(yīng)跟蹤主要利用大背景和小背景分別訓(xùn)練兩個(gè)核相關(guān)濾波器跟蹤目標(biāo)，取其最優(yōu)的輸出結(jié)果作為最后的跟蹤結(jié)果，達(dá)到最優(yōu)化的跟蹤效果；支持向量機(jī)根據(jù)目標(biāo)丟失幀的數(shù)量自適應(yīng)擴(kuò)大目標(biāo)檢測的范圍，實(shí)現(xiàn)目標(biāo)的長期穩(wěn)定跟蹤，并對重檢的待定目標(biāo)與初始幀目標(biāo)進(jìn)行顏色直方圖匹配以確定正確與否。為驗(yàn)證本文算法的抗遮擋性能，本文選取OTB50[14]和OTB100[15]兩個(gè)大型基準(zhǔn)數(shù)據(jù)集對本文算法與其他主流跟蹤算法進(jìn)行比較。

1 LCT+核相關(guān)濾波算法

基于核相關(guān)濾波目標(biāo)跟蹤算法的整體流程是提取樣本的特征信息訓(xùn)練核相關(guān)濾波器，并在下一幀中利用訓(xùn)練好的核相關(guān)濾波器與當(dāng)前幀運(yùn)算得到輸出響應(yīng)圖，響應(yīng)圖峰值點(diǎn)所在的位置即為追蹤目標(biāo)的新位置，然后依次遍歷所有的視頻幀得到目標(biāo)跟蹤的軌跡。核相關(guān)濾波器具有優(yōu)越的跟蹤性能，一是由于其利用循環(huán)矩陣的性質(zhì)，能夠?qū)颖狙h(huán)達(dá)到密集采樣的效果，大大增加訓(xùn)練樣本的數(shù)量，提高跟蹤器的魯棒性；二是其利用傅里葉變換和核函數(shù)的性質(zhì)，大大提高運(yùn)算的速度。

大小為1×N的樣本x=[x1,x2,…,xn－1,xn]T，對其進(jìn)行一次循環(huán)位移為x=[xn,x1,x2,…,xn－2,xn－1]T，因此將所有的x都進(jìn)行循環(huán)移位操作，可以得到循環(huán)矩陣X=[x1,x2,…,xn－1,xn]。結(jié)合循環(huán)矩陣和傅里葉變換的性質(zhì)，可得

其中，F(xiàn)表示常數(shù)矩陣；表示x的傅里葉變換；FH是F的共軛轉(zhuǎn)置。

核相關(guān)濾波器通過訓(xùn)練分類器f(w)=wTx，求解最優(yōu)化w可以由式（2）得

其中，xi表示大小為M×N大小的圖像塊；yi是由高斯函數(shù)產(chǎn)生的關(guān)于xi的標(biāo)簽值，yi∈[0,1]；λ表示正則項(xiàng)系數(shù)；w表示權(quán)重系數(shù)。

根據(jù)式（1）得到的循環(huán)矩陣X和傅里葉變換的性質(zhì)，該式（2）嶺回歸的閉合解為：

其中，I表示單位陣。該式的傅里葉變換形式為：

φ(x)表示映射函數(shù)。將低維空間映射到高維空間中，因此核相關(guān)濾波器可以表示為：

結(jié)合循環(huán)矩陣和傅里葉變換的性質(zhì)，式（6）的解為：

因此，在目標(biāo)跟蹤過程中，給定輸入圖像塊z，最終可得到關(guān)于響應(yīng)圖f的形式：

然后根據(jù)響應(yīng)圖的峰值定位目標(biāo)的位置。

LCT+算法在核相關(guān)濾波算法的基礎(chǔ)上，利用目標(biāo)附近的大背景特征信息訓(xùn)練核相關(guān)濾波器。通過利用大背景信息增強(qiáng)目標(biāo)在遮擋情況下的抗遮擋性能，并且訓(xùn)練一個(gè)支持向量機(jī)用于在目標(biāo)遮擋或者丟失情況下重新檢測目標(biāo)。當(dāng)跟蹤器的輸出響應(yīng)值較高時(shí)，通過對目標(biāo)圖像采樣來訓(xùn)練支持向量機(jī)，當(dāng)跟蹤器的輸出響應(yīng)值較低時(shí)，對目標(biāo)進(jìn)行重新檢測。通過以上兩個(gè)策略，LCT+算法實(shí)現(xiàn)長期穩(wěn)定跟蹤。

但利用大背景信息訓(xùn)練核相關(guān)濾波器時(shí)，存在背景對目標(biāo)干擾的情況，會造成目標(biāo)跟丟。并且當(dāng)目標(biāo)被遮擋后在遠(yuǎn)處重新出現(xiàn)時(shí)，LCT+算法只能檢測當(dāng)目標(biāo)被遮擋時(shí)的鄰近區(qū)域，無法檢測丟失后在遠(yuǎn)處出現(xiàn)的目標(biāo)，具有一定的局限性。

2 本文算法

2.1 算法框架

為了解決LCT+核相關(guān)濾波算法中利用大背景訓(xùn)練跟蹤器時(shí)存在背景干擾的問題，以及利用支持向量機(jī)進(jìn)行目標(biāo)重檢測時(shí)存在檢測范圍有限的問題，本文算法進(jìn)行改進(jìn)，提出利用大背景和小背景訓(xùn)練雙跟蹤器自適應(yīng)跟蹤目標(biāo)，利用支持向量機(jī)自適應(yīng)擴(kuò)大重檢測范圍大小，并進(jìn)一步用顏色直方圖判斷重檢目標(biāo)正確與否。

圖1為本文算法的總體框架，在目標(biāo)未被遮擋的情況下，一個(gè)核相關(guān)濾波跟蹤器利用大背景特征信息和目標(biāo)特征信息進(jìn)行訓(xùn)練，另一個(gè)核相關(guān)濾波跟蹤器利用小背景特征信息和目標(biāo)特征信息進(jìn)行訓(xùn)練。訓(xùn)練完后同時(shí)利用兩個(gè)核相關(guān)濾波跟蹤器對目標(biāo)進(jìn)行跟蹤，計(jì)算兩個(gè)跟蹤器的輸出響應(yīng)值后比較它們的輸出響應(yīng)值大小，采用輸出響應(yīng)值大的跟蹤器的輸出結(jié)果定位目標(biāo)。當(dāng)目標(biāo)被遮擋或者丟失時(shí)，利用提前訓(xùn)練好的支持向量機(jī)自適應(yīng)重新檢測目標(biāo)，然后抑制重檢目標(biāo)的背景信息以得到更精準(zhǔn)的目標(biāo)顏色直方圖，最后將其與抑制背景信息后的初始幀目標(biāo)的顏色直方圖進(jìn)行匹配，若匹配成功則定位到重檢目標(biāo)的位置。其中，核相關(guān)濾波器提取的特征信息采用梯度方向直方圖特征、局部強(qiáng)度直方圖特征[10]和顏色特征[5]。

圖1 本文算法總體框架Fig.1 Overall framework of algorithm in this paper

2.2 雙跟蹤器自適應(yīng)跟蹤模式

在LCT+核相關(guān)濾波跟蹤算法中，利用背景特征信息和目標(biāo)特征信息能夠有效增強(qiáng)目標(biāo)的抗遮擋性能，加強(qiáng)跟蹤的魯棒性。在目標(biāo)運(yùn)動的過程中，前后幀之間的背景信息變化不大，因此通過引入背景信息，在目標(biāo)模糊、目標(biāo)被遮擋等情況下跟蹤器還能穩(wěn)定跟蹤目標(biāo)，提高了跟蹤精度。但在目標(biāo)和背景相似、目標(biāo)快速運(yùn)動且遮擋等復(fù)雜情況下，依賴背景特征信息訓(xùn)練的核相關(guān)濾波跟蹤器會由于背景信息的干擾導(dǎo)致輸出的響應(yīng)最大值偏移，導(dǎo)致定位的目標(biāo)框偏移或者將其他背景判斷為目標(biāo)而跟丟目標(biāo)。

為解決背景噪聲干擾的問題，本文算法采用雙跟蹤模式自適應(yīng)跟蹤目標(biāo)。第一個(gè)跟蹤器利用大背景特征信息和目標(biāo)特征信息進(jìn)行訓(xùn)練，第二個(gè)跟蹤器利用小背景特征和目標(biāo)特征信息進(jìn)行訓(xùn)練。然后同時(shí)利用這兩個(gè)跟蹤器對目標(biāo)進(jìn)行跟蹤，判斷這兩個(gè)跟蹤器的輸出響應(yīng)值大小，選擇跟蹤器輸出響應(yīng)值大的結(jié)果對目標(biāo)定位。接著同時(shí)對兩個(gè)跟蹤器進(jìn)行更新，并在下一幀中重復(fù)上述步驟，選擇最優(yōu)的跟蹤結(jié)果對目標(biāo)定位。第一個(gè)跟蹤器采用的跟蹤方法和LCT+核相關(guān)濾波跟蹤算法相同，即采用大背景特征信息和目標(biāo)特征信息對跟蹤器進(jìn)行訓(xùn)練。而本文算法通過增加小背景特征和目標(biāo)特征信息訓(xùn)練核相關(guān)濾波器，避免過多的背景信息對目標(biāo)定位產(chǎn)生干擾。雙跟蹤器自適應(yīng)跟蹤模式通過判斷兩個(gè)跟蹤器的輸出響應(yīng)值大小自適應(yīng)選擇最優(yōu)的跟蹤結(jié)果對目標(biāo)定位，不但增強(qiáng)了目標(biāo)的抗遮擋性能，還提高了跟蹤的精度和魯棒性。

如圖2（a）所示，利用大背景特征信息和目標(biāo)特征信息訓(xùn)練第一個(gè)跟蹤器，如圖2（b）所示，利用小背景特征信息和目標(biāo)特征信息訓(xùn)練第二個(gè)跟蹤器。圖2（c）為第一個(gè)跟蹤器的輸出響應(yīng)值。圖2（d）為第二個(gè)跟蹤器的輸出響應(yīng)值。判斷這兩個(gè)輸出響應(yīng)值的峰值大小，采取峰值大的跟蹤器的定位結(jié)果對目標(biāo)進(jìn)行跟蹤，如圖2（e）所示。

圖2 雙跟蹤自適應(yīng)跟蹤示意圖Fig.2 Schematic diagram of adaptive tracking for dual tracking

2.3 支持向量機(jī)自適應(yīng)重檢測模式

基于LCT+核相關(guān)濾波算法中針對目標(biāo)的遮擋或者遮擋丟失的問題，利用支持向量機(jī)對目標(biāo)重新檢測。支持向量機(jī)分類器的公式由式（10）可得：

其中，x為輸入的圖像；w為向量權(quán)重；b為偏差值。解式（11）的最優(yōu)化問題可得：

式中，yi表示采樣圖像xi的標(biāo)簽值；αi表示系數(shù)大小。根據(jù)拉格朗日的對偶性，式（11）可由式（12）進(jìn)行求解：

解出式（12）后便可得到向量權(quán)重w和偏差值b。若當(dāng)前幀目標(biāo)z的響應(yīng)值f(z)=wTz ＋b大于重檢測閾值Th，在目標(biāo)附近范圍內(nèi)進(jìn)行采樣，得到采樣圖像xi，然后根據(jù)采樣圖像C和目標(biāo)圖像G的交互比IOU=(C?G)/(C?G)設(shè)定標(biāo)簽值yi的大小，其中yi∈{0,1}。當(dāng)yi ＞Tyh時(shí)設(shè)定為正樣本，當(dāng)yi ＜Tyl時(shí)設(shè)定為負(fù)樣本，最后將正負(fù)樣本用于訓(xùn)練支持向量機(jī)。

若當(dāng)前幀目標(biāo)z的響應(yīng)值f(z)小于Tl，開啟支持向量機(jī)對當(dāng)前幀圖像進(jìn)行目標(biāo)的重檢測。當(dāng)檢測到待定目標(biāo)后，若該目標(biāo)的輸出響應(yīng)值比上一幀的輸出響應(yīng)值大且f(z)＞0，則定義該待定目標(biāo)為正確目標(biāo)。但隨著檢測范圍的擴(kuò)大，為了更加準(zhǔn)確地檢測目標(biāo)，本文算法中增加一個(gè)顏色直方圖匹配的判別機(jī)制。目標(biāo)在運(yùn)動過程中顏色保持不變，因此可以對待定目標(biāo)和初始幀目標(biāo)的背景進(jìn)行抑制后，再進(jìn)行顏色直方圖匹配，若匹配成功，則判定為正確目標(biāo)。

在LCT+核相關(guān)濾波算法中重檢測目標(biāo)的范圍固定，當(dāng)目標(biāo)被遮擋后運(yùn)動到檢測框范圍之外，此時(shí)跟蹤器無法檢測到目標(biāo)，導(dǎo)致目標(biāo)跟丟。本文算法在此基礎(chǔ)上增加自適應(yīng)的重檢測機(jī)制，隨著目標(biāo)丟失幀數(shù)的增加，重檢測的范圍增大，直到包含整張圖像范圍。設(shè)定支持向量機(jī)的重檢測范圍大小，隨著目標(biāo)丟失幀數(shù)N的增加，檢測范圍從W×H的圖像大小變成sW×sH的圖像大小，系數(shù)s={an|n=1,2,…,(N－1)/2,N/2}，其中a為縮放系數(shù)，N為丟失幀的數(shù)量。

圖3為支持向量機(jī)重檢測目標(biāo)的示意圖，當(dāng)跟蹤器的輸出響應(yīng)大于Th時(shí)，在目標(biāo)附近采樣，如圖3（a）所示。圖3（b）為利用采樣的圖像訓(xùn)練支持向量機(jī)。當(dāng)跟蹤器的輸出響應(yīng)小于Tl時(shí)，開啟支持向量機(jī)自適應(yīng)重檢測目標(biāo)，隨著目標(biāo)丟失的幀數(shù)量N增加，逐步擴(kuò)大支持向量機(jī)檢測目標(biāo)范圍的大小，如圖3（c）所示。其中紅色框表示逐漸增大的檢測范圍。最終如圖3（d）所示，目標(biāo)被檢測到并定位到其位置上。

圖3 支持向量機(jī)重檢測目標(biāo)示意圖Fig.3 Schematic diagram of target re-detection by support vector machine

2.4 顏色直方圖匹配

在2.3節(jié)利用支持向量機(jī)進(jìn)行目標(biāo)重檢測后得到待定目標(biāo)，需要進(jìn)一步使用顏色直方圖進(jìn)行匹配，以確定待定目標(biāo)是否為正確的目標(biāo)。當(dāng)對目標(biāo)進(jìn)行顏色直方圖匹配時(shí)，目標(biāo)框內(nèi)不僅包含目標(biāo)的顏色信息，還包含背景的顏色信息。因此若直接進(jìn)行顏色直方圖匹配，背景的顏色信息會造成干擾。為了得到準(zhǔn)確的匹配結(jié)果，將目標(biāo)附近的背景信息進(jìn)行抑制，因此需要對圖像構(gòu)建顏色似然圖。首先分別計(jì)算關(guān)于目標(biāo)的顏色直方圖和關(guān)于背景的顏色直方圖，其次根據(jù)目標(biāo)和背景的顏色直方圖信息計(jì)算目標(biāo)和背景的顏色似然圖，然后根據(jù)顏色似然圖抑制目標(biāo)框內(nèi)的背景顏色，最后得到只含目標(biāo)顏色信息的圖像。

由貝葉斯公式可以構(gòu)建出當(dāng)前幀圖像的顏色似然圖[16]，即：

其中，x∈O 表示目標(biāo)真實(shí)像素點(diǎn)的所在區(qū)域；O表示給定目標(biāo)框的所在區(qū)域；S表示給定目標(biāo)框附近的區(qū)域；Ω∈I表示輸入圖像；bx表示圖像x位置上的通道值。通過計(jì)算顏色直方圖，可以估計(jì)目標(biāo)顏色似然圖P(bx|x∈背景顏色似然圖表示計(jì)算Ω區(qū)域的顏色直方圖，b表示計(jì)算的顏色直方圖通道值，|·|表示計(jì)算當(dāng)前區(qū)域的數(shù)量。令先驗(yàn)概率最終有：

圖4是當(dāng)前幀圖像顏色似然圖的計(jì)算過程，分別計(jì)算得到目標(biāo)和背景的顏色似然圖，然后通過式（14）可得到抑制背景后的目標(biāo)顏色似然圖。其中大部分背景信息都已被去除，最終只剩下目標(biāo)信息。

圖4 顏色似然圖計(jì)算過程示意圖Fig.4 Schematic diagram of calculation process of color likelihood diagram

在得到抑制背景的目標(biāo)顏色似然圖后，將其二值化后與原圖像進(jìn)行濾波，得到如圖5（a）所示的背景抑制的目標(biāo)圖像。進(jìn)一步將圖5（a）所示的圖像轉(zhuǎn)換到HSV空間，并取其h空間的通道值計(jì)算顏色直方圖，得到圖5（b），最后進(jìn)行顏色直方圖匹配。因?yàn)槌跏紟繕?biāo)的圖像沒有被噪聲污染，所以在進(jìn)行顏色直方圖匹配時(shí)，采用初始幀目標(biāo)的圖像與當(dāng)前幀的待定目標(biāo)圖像進(jìn)行顏色直方圖匹配。若匹配成功，則定位目標(biāo)所在位置，否則繼續(xù)對下一幀圖像進(jìn)行計(jì)算。

圖5 顏色直方圖匹配示意圖Fig.5 Schematic diagram of color histogram matching

顏色直方圖匹配利用巴氏距離計(jì)算，公式為：

其中，p表示目標(biāo)的顏色直方圖，q表示待定目標(biāo)的顏色直方圖，它們之間的相似距離度量為：

通過比較相似距離d和定義閾值Td的大小確定匹配是否成功，若d ＞Td說明匹配成功，待定目標(biāo)為正確目標(biāo)，定位目標(biāo)的位置。

2.5 算法偽代碼

基于LCT+的自適應(yīng)抗遮擋目標(biāo)跟蹤算法的偽代碼如下所示。

該算法主要使用了雙跟蹤器自適應(yīng)跟蹤的機(jī)制和支持向量機(jī)自適應(yīng)重檢測目標(biāo)的機(jī)制，通過這兩個(gè)機(jī)制實(shí)現(xiàn)對抗遮擋目標(biāo)的自適應(yīng)跟蹤。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 評估指標(biāo)

本文算法基于文獻(xiàn)[14]中的指標(biāo)來評估算法的性能，分別為距離精度（Distance Precision，DP）、中心位置誤差（Center Location Error，CLE）和重疊精度（Overlap Precision，OP）。中心位置誤差是指預(yù)測目標(biāo)中心值(xp,yp)和實(shí)際標(biāo)注目標(biāo)中心值(xg,yg)誤差的歐式距離大小，即；距離精度是指CLE小于設(shè)定閾值的視頻幀數(shù)占整個(gè)視頻序列幀數(shù)的比率；成功率是指預(yù)測目標(biāo)框和實(shí)際標(biāo)注框的重疊精度小于設(shè)定閾值的視頻幀數(shù)占整個(gè)視頻序列幀數(shù)的比率。

在3.3 節(jié)定量分析中，采用一次性通過評估（One Pass Evaluation，OPE）對跟蹤算法進(jìn)行評估。一次性通過評估是指在初始幀圖像中確定目標(biāo)的位置和尺度后，算法依據(jù)前一幀目標(biāo)的位置和尺度預(yù)測下一幀目標(biāo)的位置和尺度。

3.2 實(shí)驗(yàn)參數(shù)

軟件平臺使用MATLAB R2017a；硬件設(shè)備為英特爾i5-8300 2.3 GHz 處理器，8 GB 內(nèi)存。支持向量機(jī)的參數(shù)Th=0.5，Tl=0.5，Tyh=0.8，Tyl=0.5，巴氏距離Td=0.65。

3.3 定量分析

本文基于OTB50 和OTB100 兩個(gè)大型基準(zhǔn)數(shù)據(jù)集對跟蹤算法進(jìn)行測試。OTB50 和OTB100 分別包括50個(gè)和100 個(gè)具有挑戰(zhàn)性的視頻集。這些視頻集包含遮擋、快速運(yùn)動、運(yùn)動模糊、光照變化、目標(biāo)形變、尺度變化、低分辨率等多種復(fù)雜情況。為了評估本文算法的精度，將其與5 個(gè)主流的目標(biāo)跟蹤算法進(jìn)行比較，分別包括LCT+[10]、fDSST[17]、KCF[4]、DSST[6]、TLD[8]。

在精度曲線圖和成功曲線圖結(jié)果中，圖中的跟蹤器排名是根據(jù)距離精度DP=20 pixel 和重疊精度OP=0.5的閾值進(jìn)行排名。從圖6和圖7可知，在OTB50數(shù)據(jù)集上本文算法的距離精度和成功率分別為69.8%和51.1%，相比LCT+算法在距離精度和成功率上分別提升了0.7個(gè)百分點(diǎn)和1.9 個(gè)百分點(diǎn)；在OTB100 數(shù)據(jù)集上的距離精度和成功率分別為78.5%和58.3%，相比LCT+算法分別提升了2.4個(gè)百分點(diǎn)和2.2個(gè)百分點(diǎn)，并且比其他的幾個(gè)主流跟蹤算法的距離精度和成功率高，表明本文算法的跟蹤性能更好。

圖6 OTB50數(shù)據(jù)集的評估結(jié)果Fig.6 Evaluation results of OTB50 dataset

圖7 OTB100數(shù)據(jù)集的評估結(jié)果Fig.7 Evaluation results of OTB100 dataset

圖8 和圖9 為在OTB 數(shù)據(jù)上關(guān)于遮擋視頻集的評估結(jié)果。在OTB50 數(shù)據(jù)上，本文算法的距離精度和成功率分別為63.5%和46.6%，相比LCT+算法分別提高2.6 個(gè)百分點(diǎn)和3.8 個(gè)百分點(diǎn)；在OTB100 數(shù)據(jù)集上的距離精度和成功率分別為73.6%和55.5%，相比LCT+算法分別提高6.1個(gè)百分點(diǎn)和5.2個(gè)百分點(diǎn)，表明本文算法在遮擋數(shù)據(jù)上表現(xiàn)更好，具有較強(qiáng)的抗遮擋性能。因此，本文算法利用雙跟蹤器自適應(yīng)跟蹤機(jī)制和支持向量機(jī)自適應(yīng)重檢測目標(biāo)機(jī)制，進(jìn)一步增強(qiáng)了跟蹤的性能，更加有效處理目標(biāo)的遮擋問題。

圖8 OTB50中遮擋數(shù)據(jù)集的評估結(jié)果Fig.8 Evaluation results of occlusion dataset in OTB50

圖9 OTB100中遮擋數(shù)據(jù)集的評估結(jié)果Fig.9 Evaluation results of occlusion dataset in OTB100

3.4 定性分析

本文將選取OTB 數(shù)據(jù)集中的8 個(gè)視頻序列對本文算法和其他5個(gè)主流跟蹤算法進(jìn)行定性分析，結(jié)果如圖10所示。

圖10 在8個(gè)視頻序列集上的定性比較Fig.10 Qualitative comparison on 8 video sequence sets

在Board視頻序列中，由于目標(biāo)在運(yùn)動過程中發(fā)生形變，且目標(biāo)框內(nèi)包含的背景噪聲較多，造成在LCT+跟蹤過程中跟蹤器容易丟失目標(biāo)。在第689 幀時(shí)其他跟蹤器已經(jīng)跟丟目標(biāo)，但本文算法因在目標(biāo)響應(yīng)值較低時(shí)利用支持向量機(jī)自適應(yīng)重新檢測目標(biāo)，得以一直平穩(wěn)地跟蹤目標(biāo)。

在Girl2 和Walking2 視頻序列中，目標(biāo)在運(yùn)動過程中被其他物體遮擋導(dǎo)致被跟丟。LCT+算法被其他運(yùn)動物體遮擋跟丟后無法再重新跟蹤物體，而本文算法通過自適應(yīng)重新檢測目標(biāo)后，能夠重新定位目標(biāo)位置。特別是在Girl2視頻序列中，當(dāng)目標(biāo)被運(yùn)動物體完全遮擋時(shí)，其他算法都無法再跟上目標(biāo)，但本文算法依然能夠有效跟蹤目標(biāo)。

在Lemming視頻序列中，目標(biāo)在運(yùn)動過程中被遮擋后重新出現(xiàn)，此時(shí)部分算法已將目標(biāo)跟丟。但本文算法在遮擋情況下對目標(biāo)重檢測后可以繼續(xù)跟蹤目標(biāo)。在第1313幀，當(dāng)目標(biāo)發(fā)生形變時(shí)LCT+算法已無法跟蹤目標(biāo)，而本文算法還能準(zhǔn)確地進(jìn)行跟蹤。

在Human5 視頻序列中，目標(biāo)較小且相機(jī)運(yùn)動容易造成目標(biāo)跟丟。LCT+算法在相機(jī)運(yùn)動過程中跟丟目標(biāo)。但本文算法在目標(biāo)跟丟后，采用支持向量機(jī)自適應(yīng)重檢機(jī)制，在第320幀重新檢測到目標(biāo)并重新定位到目標(biāo)上，逐漸穩(wěn)定地跟蹤上目標(biāo)。

在Couple視頻序列中，由于相機(jī)抖動的緣故，LCT+算法在第50幀和60幀都出現(xiàn)目標(biāo)丟失的情況。本文算法采用雙跟蹤器自適應(yīng)跟蹤機(jī)制，避免了背景信息的干擾，牢牢定位目標(biāo)，在相機(jī)抖動嚴(yán)重的情況下依然具有較高的準(zhǔn)確度。

在Skating2-1 和Skating2-2 視頻序列中，由于遮擋以及目標(biāo)快速運(yùn)動，LCT+和其他一些跟蹤算法跟丟目標(biāo)。本文算法利用雙跟蹤器自適應(yīng)對目標(biāo)進(jìn)行跟蹤，采用大背景和小背景的訓(xùn)練機(jī)制，降低背景噪聲的干擾，因此能夠較好地跟蹤目標(biāo)。特別是在Skating2-2視頻序列中，隨著目標(biāo)的快速運(yùn)動，其他算法都無法跟上目標(biāo)，只有本文算法依舊穩(wěn)定地跟蹤目標(biāo)。

圖11 為本文算法與其他算法在8 個(gè)視頻序列的中心位置誤差（CLE）波形圖。波形圖的值越大表明中心位置的誤差值越大，即定位的跟蹤框與實(shí)際標(biāo)注跟蹤框的中心位置差值越大，說明算法的跟蹤性能較差，跟蹤精度較低。

圖11 中心位置誤差波形圖Fig.11 Waveform of center location error

在Board、Lemming、Girl2、Human5 和Walking2 視頻序列中，由于存在目標(biāo)遮擋、目標(biāo)形變、相機(jī)抖動等問題，LCT+算法在跟蹤過程中將目標(biāo)跟丟后無法再跟上目標(biāo)，波動幅度較大。本文算法采取支持向量機(jī)自適應(yīng)重檢的機(jī)制，自適應(yīng)擴(kuò)大檢測的范圍，重檢測后及時(shí)定位到目標(biāo)上，因此波動幅度小，即中心位置誤差低，有效增強(qiáng)了算法的抗遮擋性能。

在Couple、Skating2-1 和Skating2-2 視頻序列中，由于目標(biāo)快速運(yùn)動、遮擋、相機(jī)抖動，LCT+和其他算法中心位置誤差值的波動幅度都較大，且LCT+算法在Skating2-1和Skating2-2視頻序列中都無法繼續(xù)跟蹤目標(biāo)。本文算法采用雙跟蹤器自適應(yīng)跟蹤的機(jī)制，避免大背景信息對跟蹤造成干擾，交替使用兩個(gè)核相關(guān)濾波跟蹤器并取最優(yōu)跟蹤結(jié)果，具有較高的精度和魯棒性。

綜上所示，本文算法在具有挑戰(zhàn)性的視頻序列集中的表現(xiàn)優(yōu)于LCT+算法和其他算法，表明本文算法無論是在目標(biāo)存在遮擋還是目標(biāo)發(fā)生形變、目標(biāo)快速運(yùn)動等情況下，還能長時(shí)間、穩(wěn)定地追蹤目標(biāo)，具有較強(qiáng)的魯棒性。

4 結(jié)束語

針對LCT+核相關(guān)濾波算法的不足，本文提出了雙跟蹤器自適應(yīng)跟蹤的機(jī)制和支持向量機(jī)自適應(yīng)重新檢測目標(biāo)的機(jī)制。雙跟蹤器自適應(yīng)跟蹤的機(jī)制通過利用大背景和小背景訓(xùn)練核相關(guān)濾波器跟蹤目標(biāo)并選取最優(yōu)值，避免了背景噪聲的干擾；支持向量機(jī)自適應(yīng)重新檢測目標(biāo)的機(jī)制根據(jù)目標(biāo)丟失幀的數(shù)量自適應(yīng)擴(kuò)大檢測范圍，增強(qiáng)了算法的抗遮擋性能。在OTB 數(shù)據(jù)集驗(yàn)證的結(jié)果表明，相比原算法，本文算法在跟蹤精度和抗遮擋性能上都有所提高，且優(yōu)于一些主流算法，具有較高的精度和魯棒性。