李勇鋒 謝維信

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

1 引言

目標(biāo)跟蹤一直以來便是計(jì)算機(jī)視覺領(lǐng)域的研究熱點(diǎn)之一［1-2］。在人工智能飛速崛起的今天，它也受到了更多專家學(xué)者的關(guān)注。目標(biāo)跟蹤應(yīng)用廣泛，在自動(dòng)駕駛、安防監(jiān)控、軍事偵察、精確制導(dǎo)等諸多方面都可見其身影。盡管對(duì)目標(biāo)跟蹤的研究已有多年，但該領(lǐng)域依然存在許多難題，如遮擋、尺度變化等等。如何設(shè)計(jì)魯棒性更強(qiáng)、跟蹤效果更好的算法依然具有挑戰(zhàn)性［3］。

相關(guān)濾波由于其性能優(yōu)越近年來備受關(guān)注。2010 年，Blome［4］等人提出了MOSSE（Minimum Output Sum of Squared Error Filter）算法，首次將相關(guān)濾波引入目標(biāo)跟蹤領(lǐng)域。該算法在初始幀利用目標(biāo)區(qū)域進(jìn)行相關(guān)濾波建模，在后續(xù)幀中利用搜索窗與濾波器的相關(guān)運(yùn)算進(jìn)行目標(biāo)跟蹤。并且該算法將相關(guān)運(yùn)算轉(zhuǎn)到頻域中計(jì)算，大大降低了運(yùn)算量，跟蹤速度達(dá)到了669 幀/秒。之后在MOSSE 基礎(chǔ)上，Henriques［5］等人引入循環(huán)矩陣和核方法提出了CSK（Exploiting the Circulant Structure of Tracking-bydetection with Kernels）算法，利用循環(huán)矩陣密集采樣增加樣本，核方法則增加了樣本的可分性。Danelljan［6］等人在CSK 基礎(chǔ)上利用顏色特征替代灰度特征，提出了基于顏色屬性的相關(guān)濾波跟蹤算法（CN）。在CSK 算法基礎(chǔ)上，Henriques［7］等人引入方向梯度直方圖（HOG）特征，將原算法的單通道特征擴(kuò)展為多通道特征，提出了KCF（High-speed tracking with kernelized correlation filters）算法，進(jìn)一步提升了算法性能。Danelljan［8］等人提出了判別式尺度空間跟蹤DSST（Discriminative scale space tracking）算法，該方法分別訓(xùn)練位置濾波器和尺度濾波器用于位置及尺度的估計(jì)。其中尺度濾波器采用尺度金字塔，在33個(gè)尺度中取響應(yīng)值最大的尺度作為最佳尺度。Zeng［9］等在KCF 基礎(chǔ)上對(duì)HOG 特征與CN特征分別建立跟蹤模型，并對(duì)兩個(gè)跟蹤模型所得結(jié)果進(jìn)行加權(quán)融合，以此實(shí)現(xiàn)了HOG 特征與CN 特征的融合。為解決邊界效應(yīng)，Danelljan［10］等提出空間正則化相關(guān)濾波SRDCF（Learning spatially regularized correlation filters for visual tracking）算法，該算法在擴(kuò)大循環(huán)矩陣生成圖像大小的同時(shí)給濾波器添加了一個(gè)逆高斯分布的正則系數(shù)矩陣，對(duì)循環(huán)樣本施加懲罰，使得濾波器專注于對(duì)目標(biāo)區(qū)域樣本的學(xué) 習(xí)。STRCF（Learning Spatial-Temporal Regularized Correlation Filters for Visual Tracking）算法［11］則在SRDCF算法的基礎(chǔ)上增加了時(shí)間正則項(xiàng)，有效抑制了濾波器的突變問題。Dai［12］等提出ASRCF（Visual Tracking via Adaptive Spatially-Regularized Correlation Filters）算法，利用自適應(yīng)空間約束機(jī)制學(xué)習(xí)空間權(quán)重，能有效適應(yīng)目標(biāo)的外觀變化。Kiani［13］等人提出了BACF（Learning Background-Aware Correlation Filters for Visual Tracking）算法，擴(kuò)大采樣區(qū)域，增加循環(huán)樣本，同時(shí)在每個(gè)樣本中裁剪出有用的區(qū)域，使得濾波器學(xué)習(xí)到的樣本信息更有區(qū)分度。Mueller［14］等人提出了CA-CF（Context-Aware Correlation Filter Tracking）算法。該算法在不擴(kuò)大采樣區(qū)域的前提下，通過采樣樣本周圍的背景信息作為硬負(fù)樣本引入濾波器，使得算法更具魯棒性。該算法作為一種相關(guān)濾波框架，可以嵌入到其他相關(guān)濾波算法中，如DCF-CA、SAMF-CA等等。

本文在DCF-CA 基礎(chǔ)上，采用自適應(yīng)背景樣本采樣策略，優(yōu)先采取樣本周圍響應(yīng)值高的區(qū)域作為負(fù)樣本，同時(shí)對(duì)除目標(biāo)外的最大響應(yīng)值區(qū)域進(jìn)行進(jìn)一步抑制，進(jìn)一步降低背景干擾。針對(duì)以往相關(guān)濾波算法使用特征單一，本文提出一種融合多特征的相關(guān)濾波算法。對(duì)于灰度圖像序列，采用方向梯度直方圖（FHOG）特征、局部二值模式（LBP）特征以及灰度特征相融合；對(duì)于彩色圖像序列，則采用方向梯度直方圖（FHOG）特征、局部二值模式（LBP）特征以及顏色（CN）特征相融合。為了解決目標(biāo)尺度變化問題，引入尺度金字塔進(jìn)行尺度估計(jì)。針對(duì)遮擋問題，引入APCE 監(jiān)測(cè)機(jī)制進(jìn)行遮擋檢測(cè)，當(dāng)目標(biāo)遮擋時(shí)不更新濾波器，防止了濾波器的腐敗。本文算法在OTB100 上進(jìn)行測(cè)試，實(shí)驗(yàn)結(jié)果表明，與當(dāng)前主流算法相比，本文算法具有更高的跟蹤精確率和成功率，且均高于CACF 框架的DCF_CA 和MOSSE_CA算法。

2 上下文感知相關(guān)濾波算法原理

在經(jīng)典相關(guān)濾波算法中，利用循環(huán)矩陣實(shí)現(xiàn)密集采樣，并利用嶺回歸求解濾波器，嶺回歸的目標(biāo)函數(shù)為：

其中，A0為初始樣本的循環(huán)位移矩陣，w為所求濾波器，y為回歸標(biāo)簽矩陣，λ為正則化系數(shù)，以防止濾波器過擬合。

在式（1）的基礎(chǔ)上，根據(jù)目標(biāo)所在位置，在其周圍采樣n個(gè)背景樣本ai作為硬負(fù)樣本引入傳統(tǒng)濾波器中，其對(duì)應(yīng)的回歸值為零，則引入背景樣本（即上下文信息）后的嶺回歸函數(shù)為：

其中，λ1、λ2為正則項(xiàng)，Ai為背景樣本對(duì)應(yīng)的循環(huán)位移矩陣。將公式（2）中的背景樣本矩陣Ai與基樣本矩陣A0合并后，可將公式（2）進(jìn)一步改寫為：

其中，B=為背景樣本矩陣Ai與基樣本矩陣A0合并后的分塊循環(huán)矩陣。式（3）可按標(biāo)準(zhǔn)嶺回歸目標(biāo)函數(shù)求解，得

式中，=[y0 … 0]T為回歸標(biāo)簽矩陣，B由不同的循環(huán)矩陣組合而成。由于循環(huán)矩陣可對(duì)角化，故有：

式中，F(xiàn)為傅里葉變換矩陣，為基樣本的生成向量的傅里葉變換（i=1，2，...，n）為采樣的背景樣本生成向量的傅里葉變換。將式（5）代入式（4）中可得w的頻域閉式解為：

3 本文算法

3.1 自適應(yīng)加權(quán)采樣上下文感知相關(guān)濾波算法

在上下文感知濾波器中，如何選擇上下文信息與濾波器的跟蹤性能之間有著密切聯(lián)系［14］。原始的上下文濾波器選擇目標(biāo)的上、下、左、右四個(gè)鄰域進(jìn)行背景采樣，這種采樣方式具有一定通用性，但遇到背景干擾或目標(biāo)遮擋時(shí)會(huì)出現(xiàn)跟蹤漂移甚至目標(biāo)丟失的情況［15］。本文提出的自適應(yīng)加權(quán)上下文采樣，對(duì)跟蹤區(qū)域的高響應(yīng)點(diǎn)進(jìn)行自適應(yīng)加權(quán)采樣。

若當(dāng)前幀的目標(biāo)區(qū)域響應(yīng)圖為R，響應(yīng)圖峰值為peak，利用matlab 的imregionalmax 函數(shù)計(jì)算響應(yīng)圖的局部極大值pi：

局部極值pi的位置為(xi，yi)，響應(yīng)圖峰值位置為(xp，yp)，若目標(biāo)框的大小為w*h則利用如下規(guī)則獲取相應(yīng)的局部極值：

獲取selcted_pi中三個(gè)最大極值max_p1、max_p2、max_p3及其位置坐標(biāo)(x1，y1)、(x2，y2)、(x3，y3)。利用本幀得到的三個(gè)最大響應(yīng)值坐標(biāo)，在訓(xùn)練濾波器時(shí)將對(duì)應(yīng)坐標(biāo)的采樣樣本作為負(fù)樣本融入濾波器中。采樣示意圖如圖1所示。

響應(yīng)值最大的區(qū)域?qū)δ繕?biāo)的干擾理應(yīng)更嚴(yán)重，故采樣時(shí)對(duì)其賦予更高的權(quán)值，由此將原上下文相關(guān)濾波算法的嶺回歸函數(shù)改寫為：

其中λ3為正則項(xiàng)，Aj為最大響應(yīng)值區(qū)域采樣樣本的循環(huán)矩陣。對(duì)式（9）求解可得

3.2 特征融合

本文采用方向梯度直方圖（FHOG）特征、顏色（CN）特征、局部二值模式（LBP）特征以及灰度特征進(jìn)行自適應(yīng)融合。

1）FHOG特征

FHOG由Felzenszwalb［16］等人提出，它是在HOG特征的基礎(chǔ)上改進(jìn)得來的。FHOG 在原HOG 特征的基礎(chǔ)上，利用每個(gè)cell 的4 個(gè)鄰域進(jìn)行歸一化和截?cái)?，將特征分為?duì)方向敏感的（18維）和對(duì)方向不敏感的（9 維），然后對(duì)得到的特征進(jìn)行行、列累加，最終得到31維的FHOG特征。FHOG的提取原理圖如圖2所示。

FHOG 特征能比較準(zhǔn)確地反映出圖像的邊緣信息，并且對(duì)幾何和光學(xué)變化都有很好的不變性［17］。

2）LBP特征

LBP（Local Binary Pattern）［18］指局部二值模式，是一種描述圖像局部特征的算子。原始的LBP 算子的特征提取過程為：對(duì)于圖像的每一個(gè)像素，選取其周圍的8個(gè)像素與其比較，以中心像素為閾值，若鄰域中的某像素值大于或等于中心像素值，則在LBP 編碼圖中，該像素對(duì)應(yīng)位置記為1，否則記為0［19］。如此每一個(gè)像素可以得到周圍鄰域的8 位二進(jìn)制數(shù)，將其轉(zhuǎn)化為10 進(jìn)制數(shù)，以此數(shù)作為中心像素值的LBP 編碼值，該編碼值可以較好的反映出該區(qū)域的紋理信息［20］。對(duì)圖像的每一個(gè)像素點(diǎn)做相同操作，即可得到整幅圖像的LBP 編碼值。LBP 特征的提取示意圖如圖3。

3）CN特征

圖像的色彩信息是圖像極為重要的信息之一。圖像顏色特征包含了其色彩信息，且由于顏色特征對(duì)形變不敏感，在一些判別性的場(chǎng)景中應(yīng)用廣泛［21］。CN 顏色特征是將常見的顏色用語(yǔ)言學(xué)的標(biāo)簽來表示的一種特征，它將3 通道的RGB 圖像通過映射矩陣投影到11 個(gè)顏色通道，分別是black，blue，brown，gray，green，orange，pink，purple，red，white，yellow。Danelljan 等［6］利用多種顏色特征進(jìn)行了實(shí)驗(yàn)，結(jié)果表明CN 特征擁有更好的光照不變性，在目標(biāo)跟蹤中的表現(xiàn)更佳。

4）特征融合策略

特征融合流程圖如圖4 所示。首先，根據(jù)當(dāng)前的圖形序列選擇相應(yīng)的融合特征。若當(dāng)前圖像序列為灰度圖像序列，則采用FHOG 特征、LBP特征以及灰度特征進(jìn)行線性加權(quán)融合；若當(dāng)前圖像序列為彩色圖像序列，則采用FHOG 特征、LBP 特征以及CN特征進(jìn)行線性加權(quán)融合。

其次，對(duì)于每一種特征，利用公式（10）分別訓(xùn)練其對(duì)應(yīng)的表觀模型。如當(dāng)前采用FHOG 特征、LBP 特征以及CN 特征時(shí)，分別計(jì)算出其表觀模型。在跟蹤的過程中，分別計(jì)算三個(gè)表觀模型與新一幀圖像的相關(guān)響應(yīng)圖。

計(jì)算各相關(guān)響應(yīng)圖的最大值，并將其作為特征融合的權(quán)重依據(jù)。

α，β，γ分別為FHOG 特征、LBP 特征以及CN 特征的融合權(quán)重。最后，根據(jù)所得的融合權(quán)重得到最終的響應(yīng)：

3.3 尺度自適應(yīng)策略

針對(duì)原始上下文感知算法無(wú)法解決目標(biāo)尺度變化問題，引入尺度金字塔進(jìn)行尺度估計(jì)。首先，利用初始幀所給目標(biāo)信息訓(xùn)練尺度濾波器。在初始目標(biāo)位置處采取N=33 個(gè)不同尺度的圖像，尺度選擇為：

其中a=1.02 為尺度因子。為避免采樣圖像過大影響計(jì)算速度，將采樣的33個(gè)不同大小的圖像調(diào)整到統(tǒng)一大小，再分別提取它們的FHOG特征，并將所提取的FHOG 特征向量串聯(lián)到一個(gè)二維矩陣中，形成尺度特征向量f作為輸入，用于尺度濾波器的訓(xùn)練。構(gòu)建最小損失函數(shù)，求解尺度濾波器模型：

式中，d表示FHOG 特征的31 個(gè)維度，g是一維高斯回歸函數(shù)，λ為正則項(xiàng)。對(duì)上式求解可得濾波器為：

根據(jù)訓(xùn)練得到濾波器，在下一幀中以目標(biāo)點(diǎn)為中心，采樣33 個(gè)不同尺度的目標(biāo)圖像，提取它們的FHOG 特征，將所提取的FHOG 特征串聯(lián)到一個(gè)二維矩陣中得到尺度特征向量Z，再利用濾波器進(jìn)行判別，選取響應(yīng)值最大的尺度作為最佳目標(biāo)尺度。如第t幀時(shí)，濾波器Ht-1與Zt的響應(yīng)為：

求得尺度響應(yīng)y，取響應(yīng)值最大的對(duì)應(yīng)尺度作為第t幀的最佳尺度。最后，在得到第t幀的最佳尺度后，需要對(duì)濾波器進(jìn)行更新，以適應(yīng)目標(biāo)的尺度變化。以第t的最佳尺度為基準(zhǔn)，按尺度池提取33個(gè)尺度，分別提取它們的FHOG 特征，按式（13）得到，結(jié)合第t-1 幀得到的At-1，Bt-1進(jìn)行更新：

本文算法的目標(biāo)跟蹤與尺度估計(jì)流程如圖5。

3.4 模板更新策略

針對(duì)目標(biāo)發(fā)生遮擋容易出現(xiàn)跟蹤失敗問題，引入了Wang 等人在文獻(xiàn)［22］提出APCE遮擋判別機(jī)制：

式中，F(xiàn)max為響應(yīng)圖峰值，F(xiàn)min為響應(yīng)圖最小值，F(xiàn)w，h則為坐標(biāo)（w，h）處的響應(yīng)值。APCE 反映了響應(yīng)圖的震蕩程度。當(dāng)目標(biāo)未被遮擋時(shí)，其峰值較為突出，故APCE 值會(huì)相對(duì)較大。當(dāng)目標(biāo)出現(xiàn)遮擋時(shí)，響應(yīng)峰值會(huì)降低，APCE 值會(huì)隨之降低。對(duì)濾波器跟更新而言，認(rèn)為只有當(dāng)APCE 值和響應(yīng)峰值分別大于各自歷史均值的一定比例γ1，γ2時(shí)，才認(rèn)為目標(biāo)未被遮擋，并對(duì)濾波器進(jìn)行更新。只要兩者中有一個(gè)不滿足條件，則不更新濾波器。這樣既減少了因引入過多背景信息導(dǎo)致濾波器腐敗的問題，又能減少更新次數(shù)，提高跟蹤速度。

3.5 算法的整體流程

Step1初始化：利用第一幀圖像的目標(biāo)位置信息、目標(biāo)框大小分別訓(xùn)練位置濾波器和尺度濾波器。

Step2讀取圖像，根據(jù)圖像的屬性（灰度或彩色），自適應(yīng)提取圖像的特征，并對(duì)所提取的特征進(jìn)行融合。

Step3利用相關(guān)濾波器得到搜索區(qū)域的響應(yīng)圖，最大響應(yīng)的位置即為目標(biāo)位置。

Step4根據(jù)目標(biāo)位置建立目標(biāo)尺度池，利用尺度濾波器及尺度池計(jì)算當(dāng)前目標(biāo)的最佳尺度。

Step5采樣響應(yīng)圖中除目標(biāo)外的3 處最大響應(yīng)區(qū)域，并對(duì)其中響應(yīng)值最大的區(qū)域賦予更高的權(quán)重，將它們作為負(fù)樣本來訓(xùn)練當(dāng)前幀的濾波器。

Step6根據(jù)當(dāng)前幀的響應(yīng)峰值與APCE 值來決定濾波器的更新。當(dāng)APCE 值和響應(yīng)峰值分別大于各自歷史均值的一定比例時(shí)，對(duì)濾波器進(jìn)行更新。只要兩者中有一個(gè)不滿足條件，則不更新濾波器。

Step7重復(fù)步驟2～步驟6，直至算法結(jié)束。

4 實(shí)驗(yàn)與結(jié)果分析

4.1 實(shí)驗(yàn)環(huán)境及配置

本文算法使用的軟件平臺(tái)為MATLAB2020a。硬件配置為：Intel（R）Core（TM）i5-6500 CPU @3.20 GHz 處理器，16 GB 內(nèi)存。實(shí)驗(yàn)參數(shù)設(shè)置為：正則化系數(shù)λ1=10-4，，λ2=25，λ3=10。濾波器的學(xué)習(xí)率為0.015，尺度濾波器的學(xué)習(xí)率為0.025，padding 大小為2，γ1=0.4，γ2=0.6。尺度池大小為33，尺度基準(zhǔn)因子為1.02。

4.2 評(píng)價(jià)指標(biāo)

本實(shí)驗(yàn)使用文獻(xiàn)［23］中的重疊精度（Overlap Precision，OP）、距離精度（Distance Precision，DP）和中心位置誤差（Center Location Error，CLE）對(duì)算法進(jìn)行評(píng)估。

重疊精度OP 是指標(biāo)注框和目標(biāo)跟蹤預(yù)測(cè)框之間的重疊率大于一定閾值的視頻幀數(shù)占當(dāng)前跟蹤的總視頻幀數(shù)的比率。中心位置誤差CLE 是指真實(shí)標(biāo)注框中心(xb，yb)與預(yù)測(cè)框中心(xc，yc)的歐式距離

距離精度DP 則是指中心位置誤差CLE 小于設(shè)定閾值的視頻幀數(shù)占總視頻幀數(shù)的比率。

本文的重疊成功率閾值為0.5，距離精度閾值為20 pixels，同時(shí)本文采用一次性通過評(píng)估（One Pass Evaluation，OPE）作為評(píng)估目標(biāo)跟蹤算法性能的標(biāo)準(zhǔn)。

4.3 定量分析

本實(shí)驗(yàn)采用OTB100 數(shù)據(jù)集［24］進(jìn)行測(cè)試，該視頻集共100 個(gè)視頻序列，包含有快速運(yùn)動(dòng)、尺度變化、遮擋、運(yùn)動(dòng)模糊、光照變化、形變、低分辨率等多種復(fù)雜情況。為了進(jìn)一步驗(yàn)證本文算法的有效性，將本文算法與5 種主流的目標(biāo)跟蹤算法進(jìn)行比較，分別包括：SRDCF［10］、DSST［8］、Staple［25］、DCF_CA［14］、KCF［7］、SAMF［26］。結(jié)果對(duì)比圖如下：

從圖6 中可以看出，本文算法的距離精度為80.7%，重疊成功率為58.6%，相較于DCF_CA 在距離精度和重疊成功率上分別提升了8.5%和14.7%，且均優(yōu)于所對(duì)比的大部分主流算法。圖7、圖8、圖9分別為遮擋、尺度以及運(yùn)動(dòng)模糊下的結(jié)果對(duì)比圖。由于發(fā)生遮擋或尺度變化時(shí)會(huì)引入背景干擾信息，而運(yùn)動(dòng)模糊時(shí)需要有更強(qiáng)的判別性特征對(duì)目標(biāo)進(jìn)行表示，可以看出，相較于一些主流算法，本文算法的抗干擾能力更強(qiáng)，也更具魯棒性。

4.4 定性分析

從實(shí)驗(yàn)結(jié)果中選取6 個(gè)跟蹤成功的視頻以及3 個(gè)跟蹤失敗的視頻對(duì)本文算法與主流算法進(jìn)行定性分析。結(jié)果如圖10、圖11 所示。選取的視頻集包含背景雜亂（BC）、尺度變化（SV）、快速運(yùn)動(dòng)（FM）、遮擋（OCC）、平面內(nèi)旋轉(zhuǎn)（IPR）、平面外旋轉(zhuǎn)（OPR）等多種不同屬性。

在Coke視頻中，所有算法在目標(biāo)未發(fā)生遮擋時(shí)均跟蹤穩(wěn)定。當(dāng)258 幀及268 幀目標(biāo)發(fā)生嚴(yán)重遮擋時(shí)，其他對(duì)比算法均出現(xiàn)不同程度的跟蹤漂移。本文算法在目標(biāo)發(fā)生遮擋時(shí)將濾波器的學(xué)習(xí)率降到最低，避免了過多背景信息的攝入，故相比其他對(duì)比算法，本文算法即使在目標(biāo)發(fā)生遮擋時(shí)，依然能穩(wěn)定跟蹤。

在Couple 和Football1 視頻中，目標(biāo)身處的背景雜亂，且目標(biāo)在運(yùn)動(dòng)過程中有不同程度的平面旋轉(zhuǎn)。在Football1 視頻中，所有算法一開始均跟蹤穩(wěn)定，當(dāng)64 幀及74 幀目標(biāo)發(fā)生運(yùn)動(dòng)模糊并且周圍背景變得復(fù)雜時(shí)，所有對(duì)比算法都出現(xiàn)了跟蹤漂移或目標(biāo)丟失現(xiàn)象；在Couple 視頻中，由于目標(biāo)快速運(yùn)動(dòng)且背景雜亂，在53 幀時(shí)DSST、SAMF、DCF_CA 和KCF 算法跟丟目標(biāo)。在116 幀和133 幀中，除本文算法和SRDCF算法外，其余對(duì)比算法均跟丟目標(biāo)。

在DragonBaby 視頻中，第32 幀，由于目標(biāo)發(fā)生平面內(nèi)旋轉(zhuǎn)以及平面外旋轉(zhuǎn)，除SRDCF 算法、Staple算法以及本文算法外，其余算法均發(fā)生跟蹤漂移或目標(biāo)丟失現(xiàn)象。第87幀，目標(biāo)發(fā)生快速運(yùn)動(dòng)及尺度變化，SRDCF 算法、Staple算法以及本文算法均能跟蹤到目標(biāo)，但Staple 算法不能適應(yīng)目標(biāo)外觀變化。DragonBaby 視頻包含了尺度變化、遮擋、快速運(yùn)動(dòng)、運(yùn)動(dòng)模糊、平面內(nèi)外旋轉(zhuǎn)等多種挑戰(zhàn)屬性，本文算法在對(duì)目標(biāo)進(jìn)行跟蹤的過程中，對(duì)目標(biāo)實(shí)時(shí)位置周圍的高響應(yīng)點(diǎn)進(jìn)行加權(quán)采樣，使得濾波器的抗干擾能力更強(qiáng)，跟蹤也更具魯棒性。

在Shaking 視頻中，第22幀，由于目標(biāo)移動(dòng)過程中背景雜亂，僅本文算法、DSST 算法以及DCF_CA算法能夠正確跟蹤目標(biāo)。第59 幀及186 幀，目標(biāo)背景發(fā)生光照變化且目標(biāo)存在平面內(nèi)旋轉(zhuǎn)，除本文算法、DSST 算法以及DCF_CA 算法外，其余算法均跟蹤失敗。

在Bird2 視頻中，目標(biāo)存在平面內(nèi)旋轉(zhuǎn)、平面外旋轉(zhuǎn)、遮擋、形變等問題，第51幀，由于目標(biāo)轉(zhuǎn)身，發(fā)生平面內(nèi)旋轉(zhuǎn)，SRDCF、KCF、DCF_CA 等算法開始出現(xiàn)跟丟的跡象。第91 幀至99 幀，由于目標(biāo)再次轉(zhuǎn)身，運(yùn)動(dòng)期間伴有形變、遮擋，致使大部分算法出現(xiàn)目標(biāo)跟丟現(xiàn)象。本文算法以及SRDCF 算法仍然可以正確地跟蹤目標(biāo)。

一些失敗的案例分析：

在這些失敗的案例中，Skiing 視頻中的跟蹤目標(biāo)存在尺度變化、形變、平面內(nèi)旋轉(zhuǎn)以及平面外旋轉(zhuǎn)等問題，同時(shí)目標(biāo)背景還存在顏色深淺變化的問題。本文算法在第15 幀至第22 幀都能成功跟蹤目標(biāo)，而其余算法均已跟蹤失敗。但在進(jìn)一步的跟蹤過程中，由于目標(biāo)的持續(xù)形變及旋轉(zhuǎn)，本文算法也出現(xiàn)跟蹤失敗現(xiàn)象。在Jump 視頻和Trans 視頻中，由于目標(biāo)發(fā)生較大的形變，本文算法及其他對(duì)比算法均不能進(jìn)行正確跟蹤。從跟蹤失敗的案例分析可知，本文算法對(duì)目標(biāo)發(fā)生形變問題的處理有待進(jìn)一步優(yōu)化。

5 結(jié)論

針對(duì)傳統(tǒng)核相關(guān)濾波算法的不足，本文提出了一種自適應(yīng)多特征融合的上下文感知算法。根據(jù)跟蹤序列自適應(yīng)選擇融合特征。同時(shí)采用加權(quán)上下文采樣，對(duì)響應(yīng)圖中的非目標(biāo)高響應(yīng)進(jìn)行加權(quán)采樣，抑制背景干擾。利用尺度金字塔進(jìn)行尺度估計(jì)，從33 個(gè)尺度池中選取響應(yīng)值最大的尺度作為當(dāng)前的最佳尺度。引入APCE 監(jiān)測(cè)機(jī)制，當(dāng)檢測(cè)到目標(biāo)遮擋時(shí)則不更新濾波器，在一定程度上減少了背景信息對(duì)濾波器模板的污染。在OTB 100 數(shù)據(jù)集上的驗(yàn)證結(jié)果表明，相比原算法，本文算法在跟蹤精度和成功率上都有所提高，對(duì)比一些主流算法，本文算法也具有更高的精度和更強(qiáng)的魯棒性。同時(shí)從一些失敗的案例可知，本文算法對(duì)目標(biāo)發(fā)生形變問題的處理還有待進(jìn)一步優(yōu)化。