基于自適應(yīng)特征選擇的多通道相關(guān)濾波跟蹤

崔雄文 黃勇 劉傳銀

(四川長虹電器股份有限公司技術(shù)中心 四川省成都市 610041)

1 概述

目標跟蹤是計算機視覺、圖像理解、機器學習中的一個重要的研究課題，在智能監(jiān)控、機器人感知、醫(yī)學圖像分析、自動駕駛等多種實際場景中有廣泛的應(yīng)用[1]。

基于字典學習的目標跟蹤算法和基于相關(guān)濾波的目標跟蹤算法是近年來目標跟蹤領(lǐng)域的兩個熱點。2018年，Sui 等基于空時局部性提出結(jié)構(gòu)化的字典學習跟蹤算法，提高算法在復雜背景中的跟蹤精度[2]。2019年，Zhang 等結(jié)合分塊策略，構(gòu)造結(jié)構(gòu)化的稀疏模型，能有效地消除相似物體干擾[3]。2015年，Henriques 等提出了KCF算法，通過引入多通道特征處理及核技巧，提升對循環(huán)移位樣本的處理速度[4]。2017年，Danelljan 等采用包含尺度濾波的三維濾波器來實現(xiàn)對目標尺度的自適應(yīng)計算[5]。2019年，Deng 等采用多特征融合結(jié)合重檢測來實現(xiàn)對遮擋目標的準確跟蹤[6]。

本文將基于字典學習和基于相關(guān)濾波的方法相結(jié)合，提出了一種新的多通道相關(guān)濾波跟蹤算法。

2 本文算法

2.1 多通道自適應(yīng)特征選擇

考慮保持目標模型結(jié)構(gòu)的條件下進行特征選擇，即：

其中，θ 表示濾波器，f 表示選擇的特征集合，diag(f)表示從f生成的對角矩陣，若特征被選中，對應(yīng)對角元素為1，否則為0。采用稀疏表示學習實現(xiàn)式（1）中的特征選擇，則有：

λ1和λ2分別為正則系數(shù)和約束系數(shù)，||x||1和||x||2表示x 的L-1范數(shù)和L-2 范數(shù)。L-1 正則項可以減少相關(guān)器θ 非零分量，從而實現(xiàn)特征選擇。L-2 項為時間一致性約束項。

在本文中，采用梯度方向直方圖(HOG)和彩色信息(RGB) 多特征通道進行跟蹤，此時對應(yīng)的相關(guān)器為：

其中，C 為通道數(shù)量。與單通道下的式（2）對應(yīng)的多通道優(yōu)化目標為：

對式（4）進行優(yōu)化得到多通道濾波器。

2.2 卡爾曼濾波器平滑

為了緩解跟蹤漂移對跟蹤結(jié)果造成的影響，采用卡爾曼濾波對跟蹤軌跡進行平滑。時間更新方程為：

圖1：目標機動時各算法精度和成功率圖

圖2：目標遮擋時各算法精度和成功率圖

圖3：不同算法的部分跟蹤結(jié)果圖

表1：本文算法流程

表2：各算法跟蹤準確度性能表

狀態(tài)更新方程為：

其中，K 為卡爾曼增益矩陣；H 為觀測矩陣。本文采用勻速模型，在前兩幀參初始化，后續(xù)幀中以相關(guān)濾波跟蹤結(jié)果作為觀測值進行狀態(tài)濾波，然后濾波輸出跟蹤結(jié)果。本文提出的算法流程如表1所示。

3 實驗

3.1 實驗環(huán)境與參數(shù)設(shè)置

本文中實驗的計算機平臺為Intel Core i5-8250U CPU，開發(fā)平臺為Matlab 2018b。實驗中參數(shù)設(shè)置如下：特征提取采用灰度特征和梯度方向直方圖(HOG)加權(quán)融合的方式，灰度權(quán)值為0.3，HOG權(quán)值為0.7；響應(yīng)圖方差為1/16；正則項系數(shù)和時間一致性約束項系數(shù)分別設(shè)定為1 和15。

3.2 數(shù)據(jù)集與評價指標

本文選用跟蹤領(lǐng)域標準測試集OTB100(Online Object Tracking:a Banchmark)驗證所提算法性能。其評價標準主要為兩種曲線：成功率曲線(Success Plot)，和精確度曲線(Precision Plot)。

3.3 對比實驗結(jié)果及分析

本文采用8 種算法在OTB100 數(shù)據(jù)集上與提出的算法進行性能比較，算法代碼及參數(shù)采用對應(yīng)作者公開的代碼。

表2為算法跟蹤準確度性能表，如表所示，本文提出的算法跟蹤成功率比最新的SKSCF 算法和KCC 算法提高19.8%和17.0%，相對于KCF 和fDSST 提高44.6% 和49.3%；跟蹤精度相對于SKSCF 算法和KCC 算法提高9.8%和9.6%，相對于KCF 和fDSST提高21.8%和22.4%。

如圖1所示，在目標機動時，本文提出的算法精度和成功率優(yōu)于其余8 個跟蹤器，相對于次優(yōu)的Staple 分別提升8.7%和13.8%。如圖2所示，在目標被遮擋時，本文提出的算法精度和成功率優(yōu)于其余8 個跟蹤器，精度相對于次優(yōu)的Staple 提升10.9%。

圖3為典型序列各種算法的跟蹤結(jié)果。在子圖(a)‘Box’序列中，目標發(fā)生遮擋和背景干擾。本文算法構(gòu)建區(qū)分性更強的子空間結(jié)合自適應(yīng)模型更新策略，可以看到遮擋后第502 幀時SKSCF、KCC、Staple、fDSST、KCF、SCM 已經(jīng)丟失目標，TLD 出現(xiàn)尺度錯誤；在第1115 幀時，僅有本文算法和SAMF 算法能準確地全程跟蹤上目標。

在子圖(b)‘Clifbar’序列中，目標發(fā)生機動、遮擋和背景干擾。可以看到，在第435 幀時，SKSCF、KCC、SAMF、Staple、KCF、SCM、TLD 已經(jīng)丟失目標；在第47 幀時，僅有本文算法和fDSST 準確跟蹤目標。這是因為本文采用了卡爾曼濾波解決目標機動，采用自適應(yīng)特征選擇結(jié)合自適應(yīng)更新消除遮擋和背景干擾的影響。

4 結(jié)束語

本文提出了一種基于自適應(yīng)特征選擇的多通道相關(guān)濾波跟蹤算法，處理相關(guān)濾波算法在目標做機動、遮擋以及背景變化時跟蹤漂移或者丟失的問題。該算法通過特征選擇能夠?qū)W習區(qū)分性更強的相關(guān)濾波器。采用卡爾曼濾波器處理目標做機動時跟蹤瞬時漂移的問題。采用響應(yīng)圖的峰值信噪比實現(xiàn)模型的自適應(yīng)更新。實驗結(jié)果表明，對各種復雜場景下的各種目標，本文提出的算法具有較高的跟蹤精度、成功率和跟蹤速度。

在未來的工作中，結(jié)合深度學習提取表達性能更強的特征，實現(xiàn)更魯棒有效的模型學習和更新是進一步研究的方向。