摘要：在動態(tài)場景中，目標(biāo)跟蹤技術(shù)面臨復(fù)雜背景干擾及目標(biāo)快速移動等多重挑戰(zhàn)。為探索目標(biāo)跟蹤技術(shù)在動態(tài)場景中的應(yīng)用，文章利用基于LSTM-Attention的視覺模型，旨在提升動態(tài)場景下目標(biāo)跟蹤的精準(zhǔn)度。該模型結(jié)合了LSTM（長短期記憶網(wǎng)絡(luò)）在處理時間序列數(shù)據(jù)上的記憶能力，以及Attention機制在捕捉動態(tài)場景中目標(biāo)動態(tài)變化特征方面的優(yōu)勢。基于此模型，在動態(tài)場景下執(zhí)行目標(biāo)跟蹤任務(wù)，并將該模型的表現(xiàn)與傳統(tǒng)目標(biāo)跟蹤算法進(jìn)行對比，分析不同場景因素對跟蹤結(jié)果的影響，以驗證新模型的優(yōu)勢。實驗數(shù)據(jù)表明，在目標(biāo)快速移動或部分遮擋的情況下，該模型仍能準(zhǔn)確、穩(wěn)定地追蹤目標(biāo)，并且在復(fù)雜動態(tài)場景下保持了80.4%的精確度，展現(xiàn)出較強的抗干擾能力。

關(guān)鍵詞：動態(tài)場景；目標(biāo)跟蹤；LSTM-Attention

中圖分類號：TP183；TP391.41" " "文獻(xiàn)標(biāo)識碼：A" " "文章編號：1674-0688（2024）12-0087-05

0 引言

隨著計算機視覺領(lǐng)域的飛速進(jìn)步，目標(biāo)跟蹤技術(shù)作為其核心分支，正逐步滲透到智能交通、視頻監(jiān)控、人機交互等多個關(guān)鍵領(lǐng)域。在動態(tài)且復(fù)雜多變的場景中，目標(biāo)跟蹤的精度和抗干擾能力成為衡量其性能的重要指標(biāo)。這些場景往往伴隨著目標(biāo)的頻繁遮擋、外觀的急劇變化以及光照條件的不穩(wěn)定性，給傳統(tǒng)跟蹤方法帶來了巨大挑戰(zhàn)。在傳統(tǒng)目標(biāo)跟蹤算法中，KCF（核相關(guān)濾波器）和TLD（跟蹤學(xué)習(xí)檢測）是兩種具有代表性的算法。劉思思等［1］通過利用快速傅里葉變換，將時域卷積運算轉(zhuǎn)換至頻域進(jìn)行計算，顯著提高了運算速度，實現(xiàn)了實時目標(biāo)跟蹤。該方法利用循環(huán)矩陣性質(zhì)，從少量樣本中學(xué)習(xí)目標(biāo)外觀模型，并通過循環(huán)移位操作生成大量虛擬樣本，增強了模型的泛化能力，使其能更好地適應(yīng)目標(biāo)外觀的變化。朱代先等［2］引入了核函數(shù)，將低維空間的線性運算轉(zhuǎn)換為高維空間的非線性運算，提升了算法對復(fù)雜目標(biāo)外觀變化的適應(yīng)能力。然而，當(dāng)目標(biāo)遭到嚴(yán)重遮擋或快速形變時，這些方法的跟蹤性能會顯著下降，易受相似背景的干擾。劉聃琦［3］利用TLD算法結(jié)合了跟蹤、學(xué)習(xí)和檢測3個模塊，實現(xiàn)了長期目標(biāo)跟蹤，并展現(xiàn)出良好的自適應(yīng)性。牛思杰等［4］在傳統(tǒng)KCF算法的基礎(chǔ)上，提取了CN（核心網(wǎng)）特征并進(jìn)行融合，利用互補對稱的特征實現(xiàn)了多特征融合，有效解決了因目標(biāo)尺度變化而導(dǎo)致的不準(zhǔn)確問題，提升了算法的精度和成功率。郭崇等［5］創(chuàng)新性地提出了一種卷積混合注意力機制，專注于處理通道注意力和空間注意力，進(jìn)一步提升了目標(biāo)檢測的精度。

本文提出了一種基于LSTM-Attention模型的動態(tài)場景下的目標(biāo)跟蹤技術(shù)，并深入分析模型的原理與優(yōu)勢，探索其在復(fù)雜動態(tài)環(huán)境下的應(yīng)用效果。通過有效學(xué)習(xí)和記憶輸入序列中的長期依賴關(guān)系［6］，LSTM能夠捕捉目標(biāo)在時間維度上的運動特征。而Attention機制則通過動態(tài)調(diào)整不同區(qū)域的注意力權(quán)重［7］，使模型在處理復(fù)雜場景時能夠聚焦于當(dāng)前跟蹤任務(wù)中的最關(guān)鍵信息，從而提升跟蹤的準(zhǔn)確性和效率，并進(jìn)一步增強模型能力。將LSTM和Attention機制結(jié)合應(yīng)用于動態(tài)場景目標(biāo)跟蹤，解決了傳統(tǒng)方法在復(fù)雜動態(tài)場景下難以處理目標(biāo)時間維度運動特征和復(fù)雜背景信息而導(dǎo)致跟蹤準(zhǔn)確性和效率低的問題。本文旨在提供一套高效、準(zhǔn)確的動態(tài)場景下目標(biāo)跟蹤技術(shù)的解決方案，進(jìn)而推動計算機視覺技術(shù)在更廣泛領(lǐng)域的應(yīng)用與發(fā)展。

1 數(shù)據(jù)處理

1.1 數(shù)據(jù)獲取

本文選取了選取了3個具有代表性的動態(tài)場景數(shù)據(jù)集：UAV123、OTB50及VOT2016，作為模型訓(xùn)練及性能評估的基礎(chǔ)。這3個數(shù)據(jù)集在環(huán)境類型、目標(biāo)種類及運動模式等方面各有其顯著的特點。

1.1.1 數(shù)據(jù)環(huán)境類型

從環(huán)境類型來看，這3個數(shù)據(jù)集涵蓋了城市和自然等復(fù)雜多樣的環(huán)境。城市環(huán)境中存在復(fù)雜的建筑結(jié)構(gòu)、交通標(biāo)識及光影變化等因素，而自然環(huán)境中則常見地形起伏、植被遮擋等復(fù)雜情況。這些復(fù)雜環(huán)境為目標(biāo)跟蹤模型帶來了諸多挑戰(zhàn)。在目標(biāo)種類方面，數(shù)據(jù)集包含了行人、車輛、動物等多種類型。行人的運動軌跡多變，車輛的速度和行駛方向各異，動物的行為模式更是難以預(yù)測，因此模型需要具備處理不同類型目標(biāo)的能力。此外，數(shù)據(jù)集還涉及快速移動、遮擋、尺度改變等多種運動模式?？焖僖苿拥哪繕?biāo)要求模型能準(zhǔn)確捕捉其短時間內(nèi)的位置變化；遮擋情況考驗?zāi)Ｐ驮谀繕?biāo)部分或完全被遮擋時的跟蹤能力；尺度變化則需要模型能有效識別和跟蹤不同大小的目標(biāo)。這種多元化的運動模式顯著提升了實驗樣本的多樣性和全面性，使其能在各種復(fù)雜情境下對模型的表現(xiàn)進(jìn)行全面測試。

1.1.2 數(shù)據(jù)核對

在數(shù)據(jù)準(zhǔn)備階段，需從官網(wǎng)下載每個數(shù)據(jù)集的壓縮包，并確保所有資料的完整性。下載完成后，進(jìn)行全面的資料核對工作。對于UAV123和OTB50數(shù)據(jù)集，逐一詳細(xì)核實視頻序列文件的完整性，包括檢查視頻文件能否正常打開，以及核對文件大小、時長等信息。通過隨機播放部分視頻片段，仔細(xì)觀察畫面是否存在破損、卡頓或遺漏等問題，以進(jìn)一步驗證視頻內(nèi)容的完整性。同時，嚴(yán)格檢查標(biāo)注文檔與視頻內(nèi)容的一致性，逐條核對所標(biāo)注的信息，包括目標(biāo)位置、類別、跟蹤起止時間等，確保標(biāo)注文件與所記錄內(nèi)容完全對應(yīng)，從而避免標(biāo)注錯誤對模型訓(xùn)練和評估準(zhǔn)確性的影響。

1.1.3 數(shù)據(jù)轉(zhuǎn)換

VOT2016數(shù)據(jù)集具有特殊的信息格式，在處理過程中需特別關(guān)注。該數(shù)據(jù)集通常以視頻序列形式提供，需轉(zhuǎn)換為影像序列，以便于后續(xù)處理。此轉(zhuǎn)換過程需借助特定工具和算法，確保轉(zhuǎn)換后的影像序列能完整保留原始視頻中的信息。此外，標(biāo)記文件中的數(shù)據(jù)對模型訓(xùn)練和評估至關(guān)重要，需對標(biāo)記文件進(jìn)行相應(yīng)的處理，包括調(diào)整標(biāo)記文件格式、補充或修正信息等操作，以確保其與轉(zhuǎn)換后的圖像序列相匹配。通過這一系列操作，確保所有數(shù)據(jù)集均符合算法要求，為后續(xù)模型訓(xùn)練和性能評估提供高質(zhì)量的數(shù)據(jù)支持。

1.2 數(shù)據(jù)預(yù)處理

為提高圖像處理的效率和準(zhǔn)確性，采取了一系列措施對每一幀圖像進(jìn)行優(yōu)化處理。

（1）畫面裁剪。針對每一幀畫面，根據(jù)目標(biāo)的具體位置在原始畫幅上進(jìn)行精確裁剪。這一步驟去除了大量多余的背景區(qū)域，顯著降低了運算量，提高了運算效率，有效減少了背景噪音對目標(biāo)檢測的干擾。在復(fù)雜的圖像環(huán)境中，背景噪音往往會掩蓋目標(biāo)的特征信息，而精確裁剪則能使模型的注意力更集中于目標(biāo)本身，為后續(xù)處理步驟創(chuàng)造有利條件。

（2）圖像歸一化。將圖像的像素值歸一化至［0，1］區(qū)間。這一標(biāo)準(zhǔn)化操作顯著提升了模型訓(xùn)練過程中的數(shù)據(jù)處理效率。在模型訓(xùn)練中，數(shù)據(jù)的一致性和規(guī)范性至關(guān)重要。通過將像素值歸一化至特定范圍，避免了因像素值差異過大而帶來的復(fù)雜調(diào)整過程，使模型在處理不同圖像時能夠以更統(tǒng)一的方式進(jìn)行運算。這種一致性處理方式增強了模型對不同輸入圖像的一致響應(yīng)能力，無論輸入圖像的原始像素值分布如何，模型都能更穩(wěn)定地處理，從而整體上提升了識別精度。

（3）增加數(shù)據(jù)集的多樣性與豐富性。采用多種數(shù)據(jù)增強技術(shù)增加訓(xùn)練樣本，包括隨機翻轉(zhuǎn)、旋轉(zhuǎn)和亮度調(diào)整等，以生成更多樣化的訓(xùn)練樣本。這一做法有效擴(kuò)大了訓(xùn)練數(shù)據(jù)集的規(guī)模，為模型提供了更多的學(xué)習(xí)機會，同時又不會增加實際的收集成本。

（4）標(biāo)記目標(biāo)位置和大小。在整個數(shù)據(jù)集中，所有目標(biāo)都被精確標(biāo)記在矩形框內(nèi)，明確了目標(biāo)的位置和大小。對于模型訓(xùn)練而言，這種精確標(biāo)記如同為模型訓(xùn)練提供了清晰的導(dǎo)航。模型在學(xué)習(xí)過程中，依據(jù)這些標(biāo)記信息即能夠準(zhǔn)確把握目標(biāo)的特征及位置關(guān)系，從而在復(fù)雜環(huán)境中，即使面對各種干擾因素，也能準(zhǔn)確識別目標(biāo)，保持高識別性能。

2 模型設(shè)計

2.1 LSTM概述

為了構(gòu)建LSTM-Attention模型，本文設(shè)計了一個以LSTM網(wǎng)絡(luò)為核心的時序數(shù)據(jù)處理模塊，LSTM 內(nèi)部結(jié)構(gòu)圖見圖1。

模型計算公式如下：

[it=σWxiXt+W?iHt?1+WciCt?1+bi]，" " （1）

[ft=σ（WxfXt+W?fHt?1+WcfCt?1+bf）]，" " "（2）

[Ct=ftCt?1+it×tan?（WxcXt+W?tHt?1+bc）]，" （3）

[Ot=σ（WxoXt+W?oHt?1+WcoCt+bo）]，" " " "（4）

[Ht=Ot×tan?（Ct）]，" " " " " " " " " " " （5）

其中：在時刻t，it為輸入門，Ot為輸出門；ft為遺忘門；Ct為記憶細(xì)胞；Xt為輸入向量；Ht為上一時刻的隱藏狀態(tài)；[σ]為每個單元權(quán)重的控制函數(shù)Sigmoid；W為各種輸入循環(huán)權(quán)重；b為偏置項。首先通過遺忘門計算需要丟棄或保留的信息，其次通過輸入門選擇更新記憶細(xì)胞的狀態(tài)，最后確定輸出值。

在動態(tài)場景下，目標(biāo)的運動呈現(xiàn)出復(fù)雜的時間序列特性，時序處理模塊的主要目的正是高效地處理時序數(shù)據(jù)中的長依賴關(guān)系。它如同精密的探測器，深入挖掘數(shù)據(jù)中的隱藏信息，精準(zhǔn)捕捉目標(biāo)在時間序列中的動態(tài)特征。通過這種方式，模型能更深入地理解目標(biāo)在不同時間點的位置、速度等變化，從而對目標(biāo)的運動軌跡有更準(zhǔn)確的把握，使其能在復(fù)雜的時間維度信息中清晰地追蹤目標(biāo)。

2.2 Attention機制

單純依靠LSTM網(wǎng)絡(luò)可能難以完全滿足模型在復(fù)雜場景下捕捉關(guān)鍵信息的需求，因此本文引入了Attention機制，其原理示意圖見圖2。該機制使模型能夠動態(tài)地調(diào)整不同時間步驟或空間區(qū)域的權(quán)重分配。在跟蹤目標(biāo)的過程中，模型可根據(jù)當(dāng)前任務(wù)的實際需求，自主地將注意力集中到任務(wù)更為重要的部分。例如，當(dāng)目標(biāo)處于復(fù)雜背景中或與其他物體發(fā)生交互時，模型能自動加強對目標(biāo)區(qū)域的關(guān)注，同時降低干擾因素的權(quán)重，從而顯著提升追蹤精確性，確保在復(fù)雜多變的環(huán)境中仍能精確鎖定目標(biāo)。在模型架構(gòu)設(shè)計的過程中，充分考慮了動態(tài)場景下的追蹤需求，包括快速移動的目標(biāo)、頻繁遮擋的狀況及各種復(fù)雜環(huán)境的干擾因素，旨在確保模型在復(fù)雜環(huán)境下既能保持穩(wěn)定的追蹤性能，避免因外界因素的干擾而出現(xiàn)追蹤丟失或錯誤追蹤的情況，又能高效地完成跟蹤任務(wù)，及時且準(zhǔn)確地輸出目標(biāo)的位置信息。

2.3 模型構(gòu)建

在選擇損失函數(shù)時，本文采用了均方誤差（MSE）作為評估模型預(yù)測準(zhǔn)確性的標(biāo)準(zhǔn)。MSE具有明確的物理意義，能夠直觀地反映模型預(yù)測結(jié)果與真實值之間的差距，這種差距可視為模型預(yù)測與目標(biāo)之間的“距離”，通過最小化這一差異，引導(dǎo)模型不斷優(yōu)化，以期在實際應(yīng)用中更準(zhǔn)確地定位目標(biāo)位置，使模型輸出的目標(biāo)位置信息與真實位置盡可能接近，從而提升追蹤精準(zhǔn)度。

經(jīng)過實驗分析，本文選用了Adam優(yōu)化器，并設(shè)定了一系列合理的超參數(shù)以優(yōu)化模型訓(xùn)練。具體而言，學(xué)習(xí)率設(shè)定為0.001，這一數(shù)值是經(jīng)過多次測試后確定的，有助于模型在訓(xùn)練初期迅速收斂至最優(yōu)方向。輸出層的激活函數(shù)選用了ReLU函數(shù)，以避免梯度消失問題，從而提高訓(xùn)練效率。批次大小設(shè)定為512，即每次模型訓(xùn)練都會同時對512個數(shù)據(jù)樣本進(jìn)行處理，這樣的設(shè)定有助于平衡模型訓(xùn)練速度與穩(wěn)定性。模型共進(jìn)行100次迭代，以確保充分學(xué)習(xí)數(shù)據(jù)中的規(guī)律。此外，學(xué)習(xí)衰減率設(shè)定為0.96。在訓(xùn)練后期，隨著迭代次數(shù)的增加，學(xué)習(xí)率按此衰減率逐步降低，以保證模型平穩(wěn)收斂，避免在最優(yōu)解附近震蕩，同時有效防止過擬合，使模型在新數(shù)據(jù)上保持良好的泛化能力。LSTM-Attention模型結(jié)構(gòu)圖見圖3。

3 實驗結(jié)果與分析

3.1 靜態(tài)背景實驗

在靜態(tài)背景測試環(huán)境中，LSTM-Attention模型顯示出極高的精確度，達(dá)到了95.8%，相較于傳統(tǒng)算法的89.2%有了顯著提升。這一結(jié)果充分證明了該模型在穩(wěn)定環(huán)境中的優(yōu)越性，能夠精準(zhǔn)捕捉目標(biāo)特征并實現(xiàn)穩(wěn)定跟蹤，幾乎不受其他無關(guān)因素干擾。

3.2 目標(biāo)快速移動場景實驗

針對目標(biāo)快速移動的挑戰(zhàn)場景，實驗結(jié)果顯示，LSTM-Attention模型展現(xiàn)出了極強的適應(yīng)能力。在目標(biāo)快速移動的復(fù)雜情況下，模型仍能保持相對較高的精確度，達(dá)到87.3%，遠(yuǎn)高于傳統(tǒng)算法的76.5%。然而，快速移動對模型的跟蹤性能仍然產(chǎn)生了一定影響，導(dǎo)致部分幀中出現(xiàn)追蹤誤差，這主要是因為目標(biāo)位置和形態(tài)在短時間內(nèi)因移動過快而變化較大，增加了模型追蹤和預(yù)測的難度。

3.3 目標(biāo)遮擋實驗

在目標(biāo)遮擋實驗中，LSTM-Attention模型面對復(fù)雜的部分遮擋情況，依然表現(xiàn)出強大的實力，精確度達(dá)到了82.6%，顯著優(yōu)于傳統(tǒng)算法的68.7%。這主要得益于Attention機制的引入，有效增強了模型對重點區(qū)域的關(guān)注，使模型在目標(biāo)部分遮擋時仍能聚焦于未被遮擋的關(guān)鍵部分，從而降低遮擋帶來的負(fù)面影響。然而，在目標(biāo)完全遮擋的情況下，模型性能明顯下降，精確度降至65.9%，表明在極端遮擋情況下，模型的遮擋處理機制需進(jìn)一步研究和改進(jìn)，以應(yīng)對其對目標(biāo)跟蹤造成的嚴(yán)重影響，進(jìn)一步提升模型在復(fù)雜環(huán)境下的抗干擾能力。

3.4 復(fù)雜動態(tài)場景實驗

在復(fù)雜的動態(tài)場景下，盡管面臨多種干擾因素交織，如多個移動目標(biāo)及光照變化等，但是LSTM-Attention模型仍展現(xiàn)出80.4%的準(zhǔn)確率，充分彰顯了其在復(fù)雜環(huán)境中的穩(wěn)定性。然而，需要注意的是，在多個目標(biāo)距離較近或光照劇烈變化的情況下，這些多重干擾因素對模型整體性能產(chǎn)生了一定影響，可能導(dǎo)致短暫跟蹤偏差。這表明在復(fù)雜環(huán)境下，模型的綜合處理能力有待進(jìn)一步提高。

3.5 光照變化場景實驗

光照變化是影響目標(biāo)跟蹤的重要因素之一。實驗結(jié)果顯示，與傳統(tǒng)算法的83.6%相比，LSTM-Attention模型在光照變化條件下保持了91.7%的準(zhǔn)確率，表明該模型對光照變化具有較強的抗干擾能力。這主要歸因于模型能有效抑制光線變化產(chǎn)生的噪音，并在特征提取過程中增強了穩(wěn)定性和區(qū)分度。

LSTM-Attention模型和傳統(tǒng)算法在不同場景下的準(zhǔn)確率對比結(jié)果見圖4。通過對模型跟蹤效果的可視化分析，可以直觀看到，在大部分情況下，LSTM-Attention模型在跟蹤目標(biāo)時表現(xiàn)準(zhǔn)確而穩(wěn)定，即使目標(biāo)快速移動或部分遮擋，也能保持較好的跟蹤性能。但在完全遮擋或極端復(fù)雜場景下，模型跟蹤能力存在局限性，需進(jìn)一步優(yōu)化以提升跟蹤的準(zhǔn)確性。未來研究可重點改進(jìn)遮擋處理機制，增強模型對復(fù)雜場景的適應(yīng)性，以進(jìn)一步提高對動態(tài)場景下的目標(biāo)跟蹤性能。

4 結(jié)語

本文深入探究了動態(tài)場景下基于LSTM-Attention的目標(biāo)追蹤模型的應(yīng)用效果。實驗驗證表明，該模型在應(yīng)對復(fù)雜動態(tài)變化場景時，在精確性方面具有顯著優(yōu)勢，并在自動駕駛、智能監(jiān)控等實時跟蹤任務(wù)相關(guān)領(lǐng)域展現(xiàn)出潛力巨大。其處理速度能夠滿足大多數(shù)實時應(yīng)用場景的需求，為這些領(lǐng)域的目標(biāo)追蹤問題提供了有價值的解決方案。然而，本研究也揭示了模型的局限性，即LSTM-Attention模型計算復(fù)雜度較高，在資源受限的環(huán)境下，特別是在處理大規(guī)模數(shù)據(jù)集或高分辨率圖像時，對硬件資源要求較高，可能增加部署成本，從而影響了模型的廣泛應(yīng)用。針對這些問題，今后的研究將聚焦于以下兩個方面：一是進(jìn)一步優(yōu)化模型架構(gòu)，采用輕量化設(shè)計或引入更高效的計算單元，以降低計算成本；二是開展多模態(tài)融合技術(shù)的研究，通過結(jié)合多源信息，提高模型在復(fù)雜場景下的感知能力。

5 參考文獻(xiàn)

［1］劉思思，陳忠，徐雪茹，等.改進(jìn)KCF的尺度自適應(yīng)目標(biāo)跟蹤算法研究［J］.計算機與數(shù)字工程，2024，52（5）：1359-1365，1393.

［2］朱代先，阮小曼，刁弘偉，等.基于改進(jìn)TLD的運動目標(biāo)跟蹤算法研究［J］.電子測量技術(shù)，2023，46（18）：122-128.

［3］劉聃琦.基于核相關(guān)濾波器的運動目標(biāo)跟蹤算法研究［D］.沈陽：沈陽理工大學(xué)，2021.

［4］牛思杰，汪志鋒，朱晶晶.基于自適應(yīng)尺度變換與特征融合的目標(biāo)跟蹤［J］.指揮控制與仿真，2024，46（4）：82-87.

［5］郭崇，劉晟，張文波，等.基于卷積混合注意力機制的多目標(biāo)跟蹤算法［J］.控制與決策，2024，39（11）：1-9.

［6］劉浩東.基于深度學(xué)習(xí)的多目標(biāo)跟蹤算法研究［D］.無錫：江南大學(xué)，2023.

［7］吳燚威.基于注意力機制的目標(biāo)跟蹤研究［D］.廣州：廣州大學(xué)，2024.

*浙江工商職業(yè)技術(shù)學(xué)院2024年校級科研資助項目“基于LSTM-Attention視覺模型的動態(tài)場景下目標(biāo)跟蹤研究”。

【作者簡介】孫晨陽，男，江蘇蘇州人，碩士，助理講師，研究方向：智能軟件、人工智能技術(shù)。

【引用本文】孫晨陽.基于LSTM-Attention模型的動態(tài)場景下的目標(biāo)跟蹤研究［J］.企業(yè)科技與發(fā)展，2024（12）：87-90，102.