动态自适应特征融合的MFOPA跟踪器_黄鹤.pdf

第 5 期2023 年5 月电子学报ACTA ELECTRONICA SINICAVol.51 No.5May 2023动态自适应特征融合的MFOPA跟踪器黄鹤1，3，李文龙1，3，吴琨1，3，杨澜2，王会峰1，王萍4（1.长安大学电子与控制工程学院，陕西西安 710064；2.长安大学信息工程学院，陕西西安 710064；3.西安市智慧高速公路信息融合与控制重点实验室，陕西西安 710064；4.中山大学智能工程学院，广东深圳 518107）摘要：本文针对无人机航拍跟踪算法实时性差且易发生跟踪漂移的问题，提出了一种动态自适应特征融合的改进飞蛾扑火优化跟踪器.本文设计了一种基于趋光-聚集度飞蛾扑火优化算法的目标跟踪框架，采用高斯分布和趋光-聚集度改进飞蛾扑火算法的初始化和迭代方式，将改进后的飞蛾扑火算法作为搜索策略优化目标跟踪，提升了跟踪效率；同时，在趋光-聚集度飞蛾扑火优化算法跟踪框架的基础上，本文定义了一种自适应多特征融合的模板和选择了一种动态更新的模板策略，充分利用颜色名特征、融合方向梯度直方图特征及灰度特征各自的优势，消除复杂环境中无人机跟踪受到的干扰，并解决在遮挡等情况下学习到无效的背景信息而导致特征模板退化的问题.实验结果表明，本文提出的算法在复杂环境场景下能够适应不同情况下环境的变化，平均跟踪精度达到87%，保持稳定跟踪，跟踪速度为31.6帧/s，满足实时性要求，大幅提升了跟踪器的精度和鲁棒性.关键词：目标跟踪；群体智能算法；改进飞蛾扑火算法；特征融合；余弦相似度；高斯初始化基金项目：国家重点研发计划项目（No.2021YFB2501200）；国家自然科学基金面上项目（No.52172379，No.52172324）；陕西省重点研发计划项目（No.2021SF-483）；陕西省博士后科研项目（No.2018BSHYDZZ64）；西安市智慧高速公路信息融合与控制重点实验室（长安大学）开放基金项目（No.300102321502）；中央高校基本科研业务费资助项目（No.300102240203）中图分类号：TP301.6文献标识码：A文章编号：0372-2112(2023)05-1350-09电子学报URL:http:/DOI:10.12263/DZXB.20220874MFOPA Tracker with Dynamic Adaptive Feature FusionHUANG He1,3,LI Wen-long1,3,WU Kun1,3,YANG Lan2,WANG Hui-feng1,WANG Ping4（1.School of Electronics and Control Engineering，Changan University，Xian，Shaanxi 710064，China;2.School of Information Engineering，Changan University，Xian，Shaanxi 710064，China;3.Xian Key Laboratory of Intelligent Expressway Information Fusion and Control，Xian Shaanxi 710064，China;4.School of Intelligent Engineering，Sun Yat-sen University，Shenzhen，Guangdong 518107，China）Abstract:Aiming at the problem of poor real-time and tracking drift of unmanned aerial vehicle(UAV)aerial tracking algorithm,this paper proposes an improved moth-flame optimization(MFO)tracker based on dynamic adaptive feature fusion.This paper designs a target tracking framework based on moth-flame optimization with phototaxis-aggregation degree(MFOPA).The initialization and iteration methods of MFO are improved by Gaussian distribution and phototaxis-aggregation degree.The improved moth-flame algorithm is used as a search strategy to optimize target tracking,which improves tracking efficiency.At the same time,based on the tracking framework of MFOPA,this paper defines an adaptive multi-feature fusion template and selects a dynamical update template strategy,which makes full use of the advantages of color name feature,fused histogram of oriented gradient feature and gray feature to eliminate the interference of UAV tracking in complex environment,and solve the problem of feature template degradation caused by learning invalid background information in the case of occlusion.The experimental results show that the algorithm proposed in this paper can adapt to the changes of the environment under different conditions in complex scenarios,the average tracking accuracy reaches 87%,and the tracking speed is 31.6 frame/s,which meets the real-time requirements and greatly improves the accuracy and robustness of the tracker.Key words:target tracking;swarm intelligence algorithm;improved moth-flame optimization;feature fusion;cosine similarity;Gaussian initialization收稿日期：2022-07-22；修回日期：2022-10-31；责任编辑：覃怀银第 5 期黄鹤:动态自适应特征融合的MFOPA跟踪器Foundation Item(s):National Key Research and Development Program(No.2021YFB2501200);General Program of the National Natural Science Foundation of China(No.52172379,No.52172324);Key Research and Development Program of Shaanxi Province(No.2021SF-483);Postdoctoral Scientific Research Project of Shaanxi Province(No.2018BSHYDZZ64);Xian Intelligent Highway Information Fusion and Control Key Laboratory(Changan University)Open Fund Project(No.300102321502);Central Universities Basic Research Funding Projects(No.300102240203)1引言目前，无人机及机器视觉技术发展迅速，但在光照变化、遮挡形变、相似目标、尺度变化、运动突变等复杂环境下，无人机目标跟踪依旧面临着巨大的挑战13.大量跟踪算法逐步涌现，当前主流跟踪算法涵盖了基于相关滤波的跟踪模型及基于神经网络的跟踪模型.文献 46 基于相关滤波提出了 FDSST（Fast Discriminative Scale Space Tracker）、CSK（Exploiting the Circulant Structure of Tracking-by-detection with Kernels）和KCF（Kernel Correlation Filter）算法，改善跟踪精度的同时，极大的加快了跟踪速度；文献 7，8 提出了基于网络跟踪框架的孪生网络跟踪算法，表现出的强大的特征提取及表述能力，但基于神经网络的跟踪算法依赖优秀的 GPU（Graphic Processing Unit）性能，CPU（Central Processing Unit）平台下仍然难以落地.群体智能（Swarm Intelligence，SI）是受自然界生物群体活动启发而提出的一种优化算法9，10，具有灵活性、鲁棒性以及自组织性等优点.近年来SI成为学术界的研究热点并提出了很多新型算法，如麻雀搜索算法（Sparrow Search Algorithm，SSA）11、灰 狼 优 化 算 法（Grey Wolf Optimizer，GWO）12、黏菌优化算法（Slime Mould Algorithm，SMA）13等，为复杂优化问题的求解提供了新的思路.目标跟踪问题可转化一种最优化问题，而SI具有强大的前期空间搜索能力和精准的后期局部寻优能力，部分学者基于SI优化目标跟踪.文献1416 提出了基于改进的细菌觅食算法、萤火虫算法、花授粉算法优化目标跟踪，鲁棒性较好；文献 17又提出了基于教学优化与正余弦优化混合的跟踪算法，表现出较强的竞争力.以上群智能算法优化的跟踪器皆表现出较好的效果，但搜索效率和精度仍有进一步提升空间.群体智能算法具有强大的全局搜索能力，但在多种复杂场景下缺乏适应性，并始终面临着实时性差的困扰.Mirjalili等18受飞蛾生活习性启发，提出了飞蛾扑火算法（Moth-Flame Optimization，MFO），为优化领域提供了一种新的螺旋搜索范式，其特点是控制参数少、适应性强，模型易修改、鲁棒性较强且易于实现.因此，本文旨在提出一种基于飞蛾扑火优化及改进算法，以适应复杂环境下的目标跟踪，并确保跟踪的实时性.2基于MFOPA算法的跟踪框架设计目标跟踪问题中的相似度模型选择可以用最大化目标函数解释，而相似度匹配的过程与最优化中可行空间的求解本质上相同.因此，目标跟踪问题转化为一种最优化问题，可用群体智能优化.2.1MFOPA算法2.1.1基于高斯分布的飞蛾种群局部寻优初始化传统随机初始化使飞蛾尽可能遍布在所有可搜寻区域内，此方法应用在跟踪中并不理想.因此，本文采用高斯分布方式改进了MFO的随机初始化，利用视频序列两帧中目标的位置预测运动轨迹，让种群初始化尽可能靠拢预测目标区域，缩短全局寻优的时间，使得飞蛾更快搜寻到目标.飞蛾Mi满足多维高斯分布，如式（1）所示：p(Mi)=1(2)d/2|t|1/2exp