基于遮擋檢測(cè)的核相關(guān)濾波目標(biāo)跟蹤算法

張楊　閆河　楊曉龍

摘要：針對(duì)核相關(guān)濾波目標(biāo)跟蹤算法在目標(biāo)跟蹤中存在嚴(yán)重遮擋的問(wèn)題，本文提出了基于遮擋檢測(cè)的核相關(guān)濾波目標(biāo)跟蹤算法。該算法首先在目標(biāo)跟蹤時(shí)利用峰值旁瓣比進(jìn)行遮擋檢測(cè)判斷，然后當(dāng)目標(biāo)未遮擋時(shí)，繼續(xù)使用核相關(guān)濾波模塊進(jìn)行跟蹤，當(dāng)有遮擋時(shí)，在目標(biāo)出遮擋之后使用本文所提出的分類(lèi)器進(jìn)行目標(biāo)再檢測(cè)。為了驗(yàn)證本文的有效性，采用OTB-2013中21組遮擋數(shù)據(jù)集，并和OTB-2013中跟蹤性能較好的跟蹤算法進(jìn)行對(duì)比，實(shí)驗(yàn)表明本文算法能有效的解決在目標(biāo)跟蹤中存在的嚴(yán)重遮擋的問(wèn)題。

關(guān)鍵詞：核相關(guān)濾波；遮擋檢測(cè)；嚴(yán)重遮擋；分類(lèi)器

中圖分類(lèi)號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2018）02-0125-02

1 引言

目標(biāo)跟蹤技術(shù)不管是在軍事還是民事上都有相當(dāng)重要的作用。近年來(lái)，對(duì)目標(biāo)跟蹤問(wèn)題有廣泛的研究，并取得了很大的進(jìn)展，涌現(xiàn)了很多目標(biāo)跟蹤算法。但是現(xiàn)實(shí)生活中的目標(biāo)跟蹤受遮擋、光照變換、目標(biāo)與背景相似、目標(biāo)背景復(fù)雜等因素的影響，目標(biāo)跟蹤算法的準(zhǔn)確性和實(shí)時(shí)性受到了一定的限制。然而遮擋問(wèn)題是研究的重點(diǎn)和難點(diǎn)，尤其是在目標(biāo)受到嚴(yán)重遮擋或者完全遮擋時(shí)。

目標(biāo)遮擋問(wèn)題按目標(biāo)被遮擋程度可分為三類(lèi)，部分遮擋、嚴(yán)重遮擋、完全遮擋。遮擋處理一般分為三部分：進(jìn)入遮擋、遮擋保持、離開(kāi)遮擋[1]。因此解決遮擋問(wèn)題目前有兩種方法，第一種是當(dāng)目標(biāo)出現(xiàn)部分遮擋時(shí)，通過(guò)局部特征匹配的方法對(duì)目標(biāo)進(jìn)行定位，當(dāng)目標(biāo)嚴(yán)重遮擋或完全遮擋時(shí)，對(duì)遮擋進(jìn)行判斷，再重新檢測(cè)被跟蹤目標(biāo)[2-5]；第二種是對(duì)未被遮擋時(shí)目標(biāo)的運(yùn)動(dòng)信息進(jìn)行軌跡預(yù)測(cè)來(lái)實(shí)現(xiàn)后續(xù)幀的位置預(yù)測(cè)判斷[6、7]。

上述遮擋方法都是基于生成式模型目標(biāo)跟蹤方法，生成式模型目標(biāo)跟蹤方法由于計(jì)算量大的原因無(wú)法滿足跟蹤的實(shí)時(shí)性要求，今年來(lái)有學(xué)者提出判別式模型方法，該方法將背景與目標(biāo)區(qū)分開(kāi)來(lái)，減少計(jì)算量，并且具有較好的魯棒性，最典型的就是目前由Heriques等提出核相關(guān)濾波目標(biāo)跟蹤算法[8]，該算法對(duì)訓(xùn)練樣本進(jìn)行循環(huán)移位，可近似看成是對(duì)目標(biāo)的密集采樣，從而得到大量的訓(xùn)練樣本來(lái)訓(xùn)練分類(lèi)器。此外分類(lèi)器的訓(xùn)練和檢測(cè)過(guò)程都利用離散傅里葉變換來(lái)實(shí)現(xiàn)快速計(jì)算。

因此本文在核相關(guān)濾波目標(biāo)跟蹤算法的基礎(chǔ)上增加了遮擋判斷，該遮擋判斷由峰值旁瓣比來(lái)完成，當(dāng)峰值旁瓣比大于設(shè)定的閾值時(shí)，則直接繼續(xù)核相關(guān)濾波；當(dāng)峰值旁瓣比小于所設(shè)定的閾值，則出現(xiàn)遮擋，當(dāng)目標(biāo)出現(xiàn)遮擋時(shí)通過(guò)幀間差分法對(duì)目標(biāo)再檢測(cè)，并更新目標(biāo)區(qū)域。實(shí)驗(yàn)表明該方法在目標(biāo)嚴(yán)重遮擋的情況下具有較好魯棒性。

2 本文算法

本文算法在核相關(guān)濾波算法的基礎(chǔ)上致力于解決目標(biāo)跟蹤中的嚴(yán)重遮擋問(wèn)題。本文將其分為兩個(gè)模塊，一是：遮擋檢測(cè)，二是：目標(biāo)再檢測(cè)。圖1為本文算法的框架圖。

2.1 核相關(guān)濾波目標(biāo)跟蹤算法

核相關(guān)濾波目標(biāo)跟蹤算法，是一種判別式跟蹤方法，它將目標(biāo)與背景區(qū)分開(kāi)來(lái)，目標(biāo)初始幀時(shí)，將目標(biāo)進(jìn)行循環(huán)移位，構(gòu)造大量樣本，再使用核嶺回歸訓(xùn)練分類(lèi)器得到目標(biāo)濾波器模型，再到一幀時(shí)，通過(guò)核相關(guān)判斷目標(biāo)位置，并更新目標(biāo)模型。具體方法參考文獻(xiàn)[8]。

2.2 遮擋檢測(cè)策略

對(duì)于目標(biāo)遮擋問(wèn)題一般可以分為三個(gè)步驟：進(jìn)入遮擋、遮擋保持、離開(kāi)遮擋[1]，因此當(dāng)目標(biāo)發(fā)生遮擋時(shí)，首先要判斷目標(biāo)是否發(fā)生遮擋，本文的遮擋檢測(cè)策略參考文獻(xiàn)[9、10]，本文使用響應(yīng)峰值旁瓣比（Peak to Sidelobe Ratio，PSR）對(duì)遮擋進(jìn)行檢測(cè)，PSR的計(jì)算方法如下：

其中為最大峰值，峰值周?chē)膮^(qū)域定義為旁瓣，分別為旁瓣區(qū)域的均值和方差。實(shí)驗(yàn)中設(shè)定閾值T，當(dāng)PSR>T時(shí)，這無(wú)遮擋進(jìn)行核相關(guān)濾波；當(dāng)PSR

2.3 目標(biāo)再檢測(cè)

當(dāng)目標(biāo)出現(xiàn)嚴(yán)重遮擋時(shí)，單靠目標(biāo)局部特征信息很難穩(wěn)定的進(jìn)行跟蹤。因此在上述檢測(cè)到目標(biāo)被遮擋時(shí)，目標(biāo)出遮擋后，通過(guò)重新檢測(cè)運(yùn)動(dòng)目標(biāo)以達(dá)到穩(wěn)定的跟蹤。本文參考文獻(xiàn)[5]使用最近鄰分類(lèi)器和樸素貝葉斯分類(lèi)器組合來(lái)進(jìn)行目標(biāo)再檢測(cè)。

該檢測(cè)方法是，首先通過(guò)樸素貝葉斯對(duì)目標(biāo)初始幀分類(lèi)訓(xùn)練分類(lèi)器有：

通過(guò)樸素貝葉斯分類(lèi)器對(duì)候選進(jìn)行粗略的分類(lèi)，然后再利用最近鄰分類(lèi)器對(duì)樸素貝葉斯分類(lèi)后剩下的目標(biāo)候選塊找到與目標(biāo)最接近的目標(biāo)塊。若目標(biāo)塊的相似度值（為閾值），則判定為檢測(cè)到目標(biāo)，否則未找到目標(biāo)。其中相似度值定義為：

其中和表示目標(biāo)候選塊與目標(biāo)正樣本和目標(biāo)負(fù)樣本中所有樣本最大相似度值，為正樣本和負(fù)樣本的集合，表示最終相似值。相似值越大則越能判斷出真正的目標(biāo)。

3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文算法的有效性，本文算法使用OTB-2013[11]中的21組遮擋數(shù)據(jù)來(lái)驗(yàn)證，并且和四種性能較優(yōu)的算法進(jìn)行對(duì)比，且評(píng)判的標(biāo)準(zhǔn)為跟蹤成功圖和跟蹤精確圖。該實(shí)驗(yàn)結(jié)果如圖2所示。

實(shí)驗(yàn)結(jié)果表明本文所提算法較KCF、SCM[12]、Struck[13]、TLD[14]，在遮擋問(wèn)題，跟蹤精度分別提升了6.9%、35.9%、54.2%、69.1%，跟蹤成功率分別提升了18.1%、35.4%、59.3%、78.5%，因此本文算法在解決遮擋問(wèn)題上有較好的魯棒性。

4 結(jié)語(yǔ)

遮擋問(wèn)題一直是目標(biāo)跟蹤研究的重點(diǎn)和難點(diǎn)，本文針對(duì)目標(biāo)被遮擋的問(wèn)題，在核相關(guān)濾波目標(biāo)跟蹤算法的基礎(chǔ)上，提出了基于遮擋檢測(cè)的核相關(guān)濾波目標(biāo)跟蹤算法。該算法加了目標(biāo)遮擋檢測(cè)，可以一定程度上解決目標(biāo)嚴(yán)重遮擋的問(wèn)題，提高跟蹤的成功率和精確度。本文算法只考慮了遮擋目標(biāo)為單目標(biāo)的情況下，因此后續(xù)會(huì)針對(duì)復(fù)雜的目標(biāo)進(jìn)行研究。

參考文獻(xiàn)

[1]薛陳，朱明，劉春香，遮擋情況下目標(biāo)跟蹤算法綜述[J].中國(guó)光學(xué)和應(yīng)用光學(xué)，2009，5（10）：（389-393）.

[2]PROKAJ J，MEDIONI G.Persistent Tracking for WideArea AerialSurveillance / / Proc of the IEEE Confere-nce on Computer Vision and Pattern Recognition.Wa-shington，USA： IEEE，2014： 1186-1193.

[3]WANG D，LU H C，YANG M H. Online Object Tracking with Sparse Prototypes.IEEE Transactions on Image Processing，2013，22（1）： 314-325.

[4]儲(chǔ)珺，朱陶，繆君等.基于遮擋檢測(cè)和時(shí)空上下文信息的目標(biāo)跟蹤算法[J].模式識(shí)別與人工智能，2017，30（8）：718-727.

[5]李春蘭.基于遮擋檢測(cè)的粒子濾波行人目標(biāo)跟蹤算法研究[D].深圳大學(xué)，2017.

[6]YANG H， ALAHARI K， SCHMID C. Online ObjectTracking with Proposal Selection / / Proc of the IEEEInternational Conference on Computer Vision. Washi-ngton，USA： IEEE，2015： 3092-3100.

[7]YANG H， ALAHARI K，SCHMID C. Occlusion and Motion Reasoning for Long-Term Tracking / / Proc of the 13th European Conference on Computer Vision. New York，USA： Springer，2014，VI：172-187.

[8]HENRIQUES J F， CASEIRO R， MARTINS P，et al.High speed tracking with kernelized correlation filters[J]. IEEE Transaction on Pattern Analysis and Machine Intelligence.2015，32（9）：1627-164.

[9]王暐，王春平，李軍等.特征融合和模型自適應(yīng)更新相結(jié)合的相關(guān)濾波目標(biāo)跟蹤[J].光學(xué)精密工程，2016，24（8）：2059-2066.

[10]BLOME D S， BEVERIDGE J R， and DRAPER B A，et，al.. Visual object tracking using adaptive correlation filters[C]. IEEE International Conference on Comput-ersion（CVPR）.2010：2544-2550.

[11]Wu Y， Lim J， and Yang M H. Online object tracking： A benchmark[C]. IEEE Conference on Computer Vision and Pattern Recognition，Portland，USA，2013：1354-1362.

[12]ZHONG W， LU H， and YANG M H. Robust Object Tracking via Sparsity based Collaborative Model. In CVPR.2012.

[13]HARE S， SAFFARI A， and TORN P H.Struck： Structured k-ernels[C]. IEEE International Conference on Computers Vision（ICCV）.2011：263-270.

[14]KALAL Z，MIKOLAJCZYK K，MATAS J. Face-TLD： Tracking-Learning-Detection Applied to Faces / / Proc of the 17th IEEE International Conference on Image Processing.Washington，USA：IEEE，2010：3789-3792.