显著性增强的模型自适应目标跟踪_张微.pdf

宝鸡文理学院学报（自然科学版），第 卷，第期，第 页，年 月 （），：显著性增强的模型自适应目标跟踪张微（宝鸡文理学院 计算机学院，陕西 宝鸡 ）摘要：目的针对跟踪过程中目标易受遮挡、移出视野、背景杂乱等因素影响的问题，提出一种显著性增强的模型自适应目标跟踪方法。方法将显著性特征与颜色直方图是梯度方向直方图（，）特征结合，建立目标外观模型，提高目标外观表示的多样性。通过引入一种目标遮挡检测方法和一种模型自适应更新策略，以自适应方式调整模型学习率，应对目标遮挡问题。结果与结论将本文方法与种经典跟踪器在公开目标跟踪基准数据集 上进行对比。仿真实验与分析表明，所提方法在跟踪精度和成功率上均取得较好的结果。关键词：显著性检测；相关滤波；模型自适应；目标跟踪中图分类号：文献标志码：文章编号：（）（，）：；目标跟踪是计算机视觉领域中的重要研究内容之一，在视频监控、行为识别与分析、无人机跟踪、人机交互等现实场景应用广泛。近年来，基于相关滤波的目标跟踪（）方法取得了显著进展，得到了研究者的广泛关注，其基本思想是通过循环矩阵实现样本的密集采样，将学习过程转化为岭回归问题，并将空域中的相关操作转化为频域中元素间的乘法运算，在增加训练样本数量的同时，提高了目标背景的判别力，并极大提升了执行速度。年，首次提出一种误差最小平方和滤波器（），使用一种自适应的训练策略，实现目标实时跟踪，其执行速度可达 。基于 滤波器的基本 框 架，一 系 列 改 进 算 法 相 继 被 提 出。引入循环矩阵和核方法，提出一种基于检测的核循环结构跟踪方法（），进一步将特征表示扩展为多通道 形 式，提 出 一 种 核 相 关 滤 波 器（）。收稿日期：，修回日期：基金项目：陕西省教育厅科学研究计划项目（）；陕西省科技厅工业攻关项目（）作者简介：张微（），女，陕西西安人，讲师，博士，研究方向：目标跟踪 ：将颜色属性 作为特征更好地描述目标外观。先利用判别相关滤波器得到最优平移位置，再通过训练一个三维尺度空间滤波器进行尺度估计，提出一种判别尺度空间跟踪方法（）。采用种互补特征建立目标外观模型，提出一种高速目标跟踪算法 。通过引入一种在线随机蕨分类器在跟踪失败时重 新 检 测 目 标 位 置，实 现 长 时 相 关 跟 踪（），以提升跟踪性能。在目标跟踪基准数据库（）的测评中显示出显著的高效性和鲁棒性，加快了目标跟踪的发展。尽管近年来目标跟踪领域取得了显著进展，但是它仍是一个极具挑战性的问题。许多因素会对跟踪算法的性能造成影响，如遮挡、移出视野、背景杂乱、光照变化等。在跟踪过程中，这些因素常常会带来较大的目标外观变化。尽管一些方法 采用在线训练模型适应上述变化，跟踪误差的累积仍然会导致模型偏移现象的发生。人类的视觉机制能够在复杂场景中有效地区分目标与背景，识 别 显 著 性 区 域，快 速 定 位 感 兴 趣 的 目标。人类能够在复杂场景中轻松实现对目标的有效跟踪，视觉注意机制在其中起着非常关键的作用。若在跟踪过程中建模视觉显著性机制，则在一定程度上能够帮助减少模型偏移问题的产生。基于上述分析，本文提出一种显著性增强的模型自适应目标跟踪方法。首先，将 特征模型、显著性特征模型和颜色直方图模型结合，建立目标外观模型，根据融合响应图实现目标位置估计；其次，引入一种平均遮挡距离度量检测目标遮挡状态，根据遮挡状态变化实现模型的自适应更新。最后，在公开目标跟踪数据集 的 组视频序列上进行实验，验证所提方法的有效性。显著性增强的模型自适应跟踪框架图以第帧的序列 为例，给出本文方法流程图。首先，建立目标外观模型，由 特征模型、显著性特征模型和颜色直方图模型分别估计得到响应图，和，根据融合响应图估计当前目标位置；其次，训练一维相关滤波器，估计最优尺度；最后，根据目标遮挡状态以自适应方式对模型进行更新，以提升方法整体性能。特征模型本文以上一帧目标位置 为中心，在图像块（大小为）上提取维 特征，图像块的第维特征记为且，通过最小化式（）中的目标函数训练相关滤波器：（）其中，表示训练样本的期望相关输出，表示循环相关运算符，（）表示正则化参数。图本文方法流程图 在频域对（）式中滤波器进行求解得到如下表达式：（）其中，大 写 字 母，表 示 离 散 傅 里 叶 变 换（），短横线表示复共轭。滤波器的分子和分母以学习率逐帧更新如下：（）（）（）相关滤波器在图像区域的响应图采用如下表达式计算：（）其中，表示离散傅里叶逆变换。显著性特征模型受文献 启发，本文提取跟踪过程中目标的显著性特征，用于提升跟踪性能。对于单通道图像，其上相邻像素序列（本文采用四邻域）构成一条路径，记为（），（），最小屏障路径代价函数（）用于度量路径上最大值点与最小值点之间的距离，定义如下：（）（）（）（）其中，（）表示第个像素在路径上的像素值。给定（）和背景种子集合，像素处的最小屏障距离映射图求解如下：宝鸡文理学院学报（自然科学版）年（），（）（）其中，表示连接与的所有路径集。最小屏障距离（）映射图的计算由此转换为求图像中像素的最短路径。文献 提出快速最小屏障距离算法（），利用光栅扫描迭代近似 变换，有效降低了计算复杂度。本文在以当前目标位置为中心、大小为的图像块上进行快速 显著性检测，得到显著图，即可获得每个像素属于目标的概率，即像素级的概率图。显著性特征模型的响应图可以通过在显著图上应用积分图获得。在积分图上任意位置（，）处的（，）表示输入图像左上角的所有像素之和，表示为：（，），（，）（）图像中任意矩形区域的像素和的算式为：（，）（，）（，）（，）（，）（）其中，矩形以（，）为右下角，为矩形长度，为矩形宽度。颜色直方图模型为了更好地应对目标形变，本文从每一帧中提取图像块，建立一种颜色直方图模型。首先，通过以下岭回归问题求解直方图权重向量：（，）（）其中，（，）（，）（），称为损失函数，表示在有限区域中图像块上提取的特征像素，表示集合对（，），表示图像块的标记，表示正则化参数。然后，在目标区域和背景区域上对每一个特征像素应用线性回归，使目标区域的像素回归值为，背景区域的像素回归值为，则损失函数可以记为：（，）（）（）（）通过引入 假设，令（），构造查找表，将像素值映射为所属直方柱的序号得到，上述损失函数可以分解为独立项：（，）（）（）（）（）（）其中，（）表示特征为非零的目标区域中的像素数。对于每一维特征，（）式中的岭回归问题求解如下：（）（）（）（）其中，（）（）表示特征为非零的目标区域中像素的比例。在得到直方图权重向量后，通过积分图获得响应图。对于下一帧图像，重新计算目标区域和背景区域的颜色直方图并采用如下方式更新：（）（）（）（）（）（）（）（）（）其中，（）和（）分别表示（）和（）的向量且，（）和（）表示当前帧估计信息，是颜色直方图模型的学习率。响应图融合与目标定位本文将 ，显著性和颜色直方图特征得到的响应图，结合，最终采用线性加权的方式，将上述种特征响应图进行融合，计算如下：（）（）（）（）（）其中，上标表示帧序号，和分别表示权值参数。第帧的目标位置可以通过融合响应图（）最大值的对应位置估计得到：，（）（，）（），（）其中，表示响应图的大小，为下取整。模型自适应更新策略为进一步提升跟踪性能，本文引入一种遮挡检测方法估计当前目标状态，根据目标遮挡状态，对目标外观学习率进行自适应调节。对于融合响应图，计算平均遮挡距离：（，）（）（）（）其中，（，）（，）（，），表示响应图在特定范围内点的集合，定义如下：（，）（，）（）（，）（）（）其中，参数和用于控制变化范围且。平均遮挡距离在一定程度上能够反映目标遮挡的程度，其值越大，遮挡程度越大。根据平均遮挡距 离，定 义 第帧 的 目 标 遮 挡 状 态（）如下：（），（），（）其中，为阈值参数。若（）时，则表明第期张微显著性增强的模型自适应目标跟踪当前跟踪目标被遮挡。根据目标遮挡状态（），对 特征模型的学习率采用自适应方式调节如下：，（），（）其中，表示初始学习率。若目标受到遮挡时，即（），则用参数（）减小模型更新速率，降低遮挡等外观变化对 特征模型的影响；否则，利用初始学习率更新。类似地，基于目标遮挡状态（）变化，对颜色直方图模型的学习率自适应更新如下：，（），（）其中，表示颜色直方图模型的初始学习率，参数同（）式。本文算法流程输入：第帧的目标位置，尺度因子，特征模型 和，颜色直方图模型（）和（）。输出：第帧的估计目标位置和尺度因子。从开始重复以下步骤。）以第帧的目标位置为中心在第帧中提取图像块；）在该图像块上分别提取，显著性和颜色直方图种不同特征；）采用.，.和.小节方法分别计算每一种特征的响应图，和；）利用（）式将所有特征响应图进行融合；）根据（）式在最终融合响应图（）中搜索最大值估计目标在第帧的位置；）在当前位置训练一维相关滤波器，估计最优尺度；）使用（）（）式计算平均遮挡距离，根 据（）式 估 计 第帧 的 目 标 遮 挡 状态（）；）根据（），（），（）和（）式 分 别 对 特征模型和与颜色直方图模型（）和（）进行更新。直至视频序列最后一帧。实验结果与分析 实验环境与参数设置（）实验环境本文算法实验采用 实现，在 内存、配置的计算机上运行。（）参数设置对于 特征模型，元胞大小为，方向角度数为，参数 。对于显著性特征模型，参数设置参见文献 。对于颜色直方图模型，直方图的直方柱的数目为，颜色特征为 ，参数 。在响应图融合中，权值参数.，.和.。对于模型自适应更新，参数.，.且 ，初始学习率.，.，参数.。（）数据集本文算法在公共数据集 上进行跟踪性能评估。该数据集包含 段挑战性视频序列（共 帧）。评估方法为分析和评估各类跟踪算法的性能，本文采用一次性通过评估（），以距离精确度（）和成功率曲线下面积（）作为主要评价标准，详情可参见文献 。跟踪性能评估（）总体性能分析本文方法与种经典跟踪器进行总体性能分析，这些跟踪器包括 ，和 。图分别给出所有跟踪器在 数据集 段视频序列上的 精确度和成功率曲线图。可以看出，相比于其他种经典跟踪器，本文方法在定位误差阈值为 像素的距离精确度值和成功率上均排名第一。（）属性性能分析除了总体性能分析，图给出了本文方法与种跟踪器在 段视频序列上不同属性的成功率曲 线 图。种 不 同 属 性 分 别 为 尺 度 变 化（）、平面外旋转（）、平面内旋转（）、遮挡（）、目标形变（）、快速运动（）、光照变化（）、背景杂乱（）、运动模糊（）、移出视野（）和低分辨率（），属性顺序按照与每种属性相对应的视频数目降序排列。在所有成功率曲线图中，本文方法在 种属性中的 种属性上取得了最优结果，在平面内旋转属性上取得了次优结果。相比于 跟踪器，本文方法在 种属性上的成功率分别得到了不同程度的提升。具体地，根据图的属性顺序宝鸡文理学院学报（自然科学版）年依次 为 ，。属性顺序同图。在所有属性中，及 属性上的跟踪性能提升尤为显著。图所有跟踪器在 数据集上的 精确度曲线图和 成功率曲线图 图所有跟踪器在 数据集不同属性下的 成功率曲线图 第期张微显著性增强的模型自适应目标跟踪（）不同组件性能分析图给出了本文方法不同组件的跟踪性能比较，包括本文方法在不含显著性检测和模型自适应更新种情形下得到的精确度和成功率曲线。可以看出，当不含显著性检测和模型自适应更新时，精确度和成功率均有所下降，其中不含显著性检测下降更明显。可见显著性的引入可以有效提高跟踪精度和成功率，两者结合得到的结果更佳。图本文方法不同组件在 数据集上的 精确度曲线图和 成功率曲线图 （）参数分析以 数据集上得到的精确度值和成功率值作为评价标准，讨论特征融合参数对本文方法跟踪性能的影响。，显著性和颜色直方图特征的融合参数分别为，和，。本文将颜色直方图特征的融合参数固定为.，讨论显著性特征融合参数变化时对本文方法跟踪性能的影响，令以.为步长，从到.逐渐增加。图给出了本文方法在不同参数下得到的精确度值和成功率值。可以看出，当从增加到.时，跟踪性能有所提升，当.时取得最优性能，而当由 增加到 时，精确度值和成功率值均