雙重響應(yīng)異常約束的無人機(jī)目標(biāo)跟蹤

郭偉， 林暢， 王春艷， 楊涵西， 才海亮

（遼寧工程技術(shù)大學(xué) 軟件學(xué)院， 遼寧 葫蘆島 125105）

1 引言

隨著無人機(jī)行業(yè)的興起，無人機(jī)因其外形小巧、運(yùn)動(dòng)靈活且方便操控等特點(diǎn)，與目標(biāo)跟蹤技術(shù)的結(jié)合使其在普通居民生活、軍事活動(dòng)以及科學(xué)研究等多個(gè)領(lǐng)域得到越來越廣泛的應(yīng)用［1-2］，如空中監(jiān)控、基礎(chǔ)設(shè)施巡邏、搶險(xiǎn)救災(zāi)、偵察敵情等。與普通的跟蹤場景相比，無人機(jī)目標(biāo)跟蹤面臨著更艱巨的挑戰(zhàn)，如惡劣的外部挑戰(zhàn)、復(fù)雜環(huán)境中的機(jī)動(dòng)飛行等。

相關(guān)濾波類目標(biāo)跟蹤算法因其跟蹤速度快、跟蹤性能好而得到了廣泛應(yīng)用［3-5］。Bolme等人［6］在2010年提出了最小輸出誤差平方和（MOSSE）跟蹤算法，并將相關(guān)濾波算法應(yīng)用于目標(biāo)跟蹤領(lǐng)域。Li等人［7］將時(shí)間正則化引入空間正則化相關(guān)濾波算法，為了提高算法跟蹤精度和速度，建立了相鄰兩幀濾波器之間的關(guān)系，并提出了交替方向乘子法（ADMM）求解方程組。Huang等人［8］利用前后兩幀響應(yīng)圖的全局變化情況檢測跟蹤過程中的異常情況，避免濾波器錯(cuò)誤學(xué)習(xí)過多的背景信息，能有效解決邊界效應(yīng)以及抑制畸變。Li等人［9］提出了一種在線自動(dòng)自適應(yīng)學(xué)習(xí)方法，能夠自動(dòng)學(xué)習(xí)和調(diào)整預(yù)定義參數(shù)，在多個(gè)無人機(jī)跟蹤任務(wù)測試中均達(dá)到最優(yōu)效果。Fu等人［10］將顯著性檢測方法融入到濾波器訓(xùn)練中，并利用了雙重正則化（DRCF）突出了對(duì)象外觀并取得較好的實(shí)驗(yàn)結(jié)果。Lin等人［11］提出了一種新的雙向不協(xié)調(diào)感知相關(guān)濾波器，將響應(yīng)的雙向不一致誤差集成到濾波器中，可以有效地學(xué)習(xí)外觀的變化并抑制不一致誤差。王海軍等人［12］根據(jù)前后幀之間的響應(yīng)差和相關(guān)濾波器的變化建立雙重約束的目標(biāo)函數(shù)，能夠有效跟蹤無人機(jī)目標(biāo)。由此可知，利用響應(yīng)變化可以有效約束外觀變化。在無人機(jī)航拍的復(fù)雜場景下，實(shí)現(xiàn)魯棒、準(zhǔn)確和實(shí)時(shí)的跟蹤是一項(xiàng)非常具有挑戰(zhàn)性的任務(wù)。

本文提出一種雙重響應(yīng)異常約束的無人機(jī)目標(biāo)跟蹤算法（DRACF）。通過計(jì)算局部響應(yīng)變化和全局響應(yīng)峰值旁瓣比在線動(dòng)態(tài)更新空間正則化參數(shù)，確?？臻g一致性；采用異常峰值判斷機(jī)制，評(píng)估當(dāng)前幀次峰值所帶來的影響，動(dòng)態(tài)更新時(shí)間正則化參數(shù)，以適應(yīng)復(fù)雜場景變化，解決跟蹤漂移問題，進(jìn)一步抑制異常發(fā)生。目標(biāo)函數(shù)通過交替方向乘子迭代求解最優(yōu)解。將DRACF算法與原算法在多個(gè)主流的無人機(jī)數(shù)據(jù)集上進(jìn)行對(duì)比，評(píng)估實(shí)驗(yàn)結(jié)果。

2 時(shí)空正則化相關(guān)濾波方法

在過去，所有目標(biāo)跟蹤算法都是在時(shí)域中處理的。由于其求解過程中需要進(jìn)行復(fù)雜的矩陣求逆運(yùn)算，因此需要大量的計(jì)算量和實(shí)時(shí)性能，基于相關(guān)濾波的目標(biāo)跟蹤方法將計(jì)算轉(zhuǎn)換到頻域，利用循環(huán)矩陣在頻域可對(duì)角化的特性，使運(yùn)算量大為降低，運(yùn)算效率明顯加快。為便于了解無人機(jī)平臺(tái)基于相關(guān)濾波類目標(biāo)跟蹤算法的跟蹤原理，給出一般跟蹤結(jié)構(gòu)圖如圖1所示。

圖1 無人機(jī)平臺(tái)基于相關(guān)濾波類方法的一般跟蹤結(jié)構(gòu)Fig.1 General tracking structure of UAV platform based on correlation filtering class method

基于時(shí)空正則化相關(guān)濾波（STRCF）［13］目標(biāo)跟蹤算法以相關(guān)濾波理論為基礎(chǔ)，主要思想源于在線被動(dòng)攻擊學(xué)習(xí)算法（PA）［14］以及空間約束相關(guān)濾波（SRDCF）［4］目標(biāo)跟蹤算法，將時(shí)間正則化方法與SRDCF相融合，得到了時(shí)空正則化相關(guān)濾波器，能夠有效降低邊界效應(yīng)的影響，在外觀變化較大的情況下比SRDCF具有更強(qiáng)的魯棒性。STRCF算法的目標(biāo)函數(shù)如式（1）所示：

其中：y為目標(biāo)響應(yīng)函數(shù)，D表示總通道數(shù)，xd為當(dāng)前幀中提取到的樣本，d表示特征通道索引，w為空間權(quán)重矩陣，μ為時(shí)間權(quán)重因子。

相比SRDCF算法，由于引入了時(shí)間正則項(xiàng)，在訓(xùn)練階段不需要用到之前所有T幀的信息，從而大幅減少了訓(xùn)練所需的內(nèi)存，提高了計(jì)算速度，達(dá)到實(shí)時(shí)跟蹤的效果（30幀/s）。盡管STRCF取得了令人滿意的性能，但它仍然存在兩個(gè)局限性：（1）時(shí)間正則化參數(shù)設(shè)置為常數(shù)，不具有通用性，在很多視頻序列中不能獲得理想的跟蹤結(jié)果；（2）固定空間正則化不能有效處理跟蹤場景中不可預(yù)見的外觀變化問題。

3 算法描述

3.1 局部響應(yīng)變化約束

在目標(biāo)跟蹤過程中，由于背景環(huán)境、邊緣效應(yīng)和物體外形改變等因素的干擾，使所產(chǎn)生的響應(yīng)圖在特定的地方發(fā)生畸變或異常，而響應(yīng)圖提供的信息能從某種角度反應(yīng)出當(dāng)前幀的外觀模型與實(shí)際目標(biāo)之間的相似性［15］。不同狀態(tài)下響應(yīng)圖的變化情況如圖2所示。

圖2 跟蹤狀態(tài)及其對(duì)應(yīng)的響應(yīng)圖Fig.2 Tracking states and corresponding response maps

本文利用前后兩幀全局響應(yīng)偏差構(gòu)造局部響應(yīng)變化向量，以此作為判斷目標(biāo)跟蹤過程中前后兩幀圖像的響應(yīng)圖變化劇烈程度的依據(jù)。當(dāng)前后兩幀響應(yīng)圖劇烈改變時(shí)，這一區(qū)間的可靠性降低。

我們將局部響應(yīng)變化向量Δi定義為：

式中：Rt[ψΛ]i為當(dāng)前樣本生成的響應(yīng)圖為上一幀樣本生成的響應(yīng)圖；Rt表示響應(yīng)圖R中的第t個(gè)元素；η為學(xué)習(xí)率，設(shè)置為8。

在此基礎(chǔ)上，通過局部響應(yīng)變化向量，以及由視頻第一幀中獲取到的目標(biāo)大小信息構(gòu)建的裁剪矩陣PT，構(gòu)建了如式（3）所示的空間正則項(xiàng)

μ繼承STRCF以減輕邊界效應(yīng)，正則化參數(shù)δ為常數(shù)。在實(shí)際運(yùn)用中，當(dāng)跟蹤的可信度較高時(shí)，目標(biāo)的空間變化范圍相對(duì)較小。與此對(duì)應(yīng)的是，在快速運(yùn)動(dòng)且視角變化較大的情況下，其跟蹤可靠性較差。為實(shí)現(xiàn)基于可信程度的實(shí)時(shí)校正，本文提出以峰值旁瓣比法（Peak to Sidelobe Ratio，PSR）為衡量跟蹤系統(tǒng)可靠性的指標(biāo)，實(shí)現(xiàn)對(duì)正則參數(shù)的實(shí)時(shí)動(dòng)態(tài)計(jì)算和更新。峰值旁瓣比的定義如式（4）所示：

式中：Rt最大值用max函數(shù)求解，ωt為特征響應(yīng)圖的均值，σt為特征響應(yīng)圖的方差。圖3為coke序列的峰值旁瓣比變化情況，當(dāng)出現(xiàn)遮擋或模糊時(shí)，峰值旁瓣比低于20，判斷為不可靠。當(dāng)算法能夠精確跟蹤定位時(shí)，峰值旁瓣比較大，反之峰值旁瓣比很小，所以用峰值旁瓣比自適應(yīng)地計(jì)算空間正則化系數(shù)δ：

圖3 峰值旁瓣比隨跟蹤變化圖Fig.3 Variation of peak sidelobe ratio with tracking

式中：β為學(xué)習(xí)率，Pt為當(dāng)前幀的峰值旁瓣比。

3.2 次峰響應(yīng)變化約束

在STRCF算法中的時(shí)間正則項(xiàng)的超參數(shù)是固定的，無法自適應(yīng)復(fù)雜的跟蹤場景變化。當(dāng)跟蹤目標(biāo)物體由于快速運(yùn)動(dòng)、遮擋、形變、相機(jī)旋轉(zhuǎn)等因素造成目標(biāo)外觀發(fā)生明顯變化時(shí)，模型因魯棒性較差易導(dǎo)致跟蹤漂移。

無人機(jī)目標(biāo)跟蹤場景復(fù)雜多變，當(dāng)遇到嚴(yán)重的環(huán)境變化、類似的物體干擾和其他不利條件時(shí)，響應(yīng)圖將嚴(yán)重波動(dòng)，同時(shí)出現(xiàn)多個(gè)峰值，如圖4所示。對(duì)跟蹤目標(biāo)而言，威脅最大的將在響應(yīng)圖中體現(xiàn)為次峰值，圖5為響應(yīng)異常峰值變化情況。這里我們定義一個(gè)衡量系數(shù)Mk，用以衡量威脅最大的子峰值對(duì)當(dāng)前幀影響的嚴(yán)重性：

圖4 目標(biāo)不同狀態(tài)時(shí)響應(yīng)峰值變化Fig.4 Response peak changed with the target in different states

圖5 響應(yīng)異常時(shí)峰值變化圖Fig.5 Peak values change when response is abnormal

其中：R表示搜索區(qū)域中的響應(yīng)圖，k表示第k幀，是R中的最大值，ψ表示一個(gè)二進(jìn)制矩陣以顯示響應(yīng)圖中的子峰，T定義為：

式中：ν表示T中的權(quán)重，?表示距離的影響程度，實(shí)驗(yàn)中ν取值為1，?取值為0.2，這兩個(gè)參數(shù)都是預(yù)先定義的；d(i，j)表示第i行和第j列的點(diǎn)到矩陣中心的距離，距離中心越遠(yuǎn)，T值越低；由于響應(yīng)圖的中心峰會(huì)影響子峰的搜索，因此中心區(qū)域的閾值為dmin，權(quán)重設(shè)置為0。

最后將得到的Mk融合到時(shí)間正則項(xiàng)超參數(shù)θt，計(jì)算公式如式（8）所示：

其中，υ為經(jīng)驗(yàn)值，實(shí)驗(yàn)中取16。通過動(dòng)態(tài)更新時(shí)間正則項(xiàng)參數(shù)，將異常影響降到最低，進(jìn)而使跟蹤器更加魯棒。

3.3 模型更新

在之前的大部分跟蹤方法中都使用了固定的學(xué)習(xí)率，在每幀后都會(huì)對(duì)濾波器模型進(jìn)行更新。在目標(biāo)定位后，會(huì)將其作為一個(gè)默認(rèn)的狀態(tài)，然后在新的目標(biāo)位置進(jìn)行新一輪的建模訓(xùn)練并用來對(duì)其進(jìn)行更新［16］。但是，由于現(xiàn)實(shí)環(huán)境中存在遮擋、背景雜波等因素，由于預(yù)測誤差，使得被檢測到的對(duì)象盒中存在一些受影響的數(shù)據(jù)，因此，若對(duì)其進(jìn)行直接的更新，將會(huì)造成對(duì)其進(jìn)行建模的“污染”，進(jìn)而造成“漂移”的結(jié)果。所以，必須選取適當(dāng)?shù)臏?zhǔn)則對(duì)其進(jìn)行評(píng)價(jià)。Wang等［17］提出平均峰值相關(guān)能量（Average Peak Correlation Energy，APCE）指標(biāo)，通過響應(yīng)圖峰值分布情況判別濾波器跟蹤狀態(tài)，即

其中，F(xiàn)max、Fmin、Fω，h分別為響應(yīng)最高、最低和(ω，h)位置的響應(yīng)值。當(dāng)目標(biāo)跟蹤正常時(shí)，生成的響應(yīng)圖為單峰且計(jì)算得到的APCE的數(shù)值較大；當(dāng)目標(biāo)出現(xiàn)遮擋等異常性情況時(shí)，生成的響應(yīng)圖中出現(xiàn)多個(gè)不同的波峰且計(jì)算得到的APCE數(shù)值較小。僅利用最大峰值判據(jù)目標(biāo)的位置和濾波器的更新容易引起目標(biāo)的漂移甚至丟失。因此，當(dāng)最大值和APCE值均以一定比例大于前面幀的均值時(shí)，可判定當(dāng)前可以進(jìn)行模型更新操作；否則，將保持上一幀的跟蹤模型，停止更新。在第t幀時(shí)，跟蹤模型的更新條件按照如下約束：

其中：APCEt，分別表示第i幀響應(yīng)的平均峰值相關(guān)能量和最大響應(yīng)值，比例閾值ζ1、ζ2為0～1之間的常數(shù)。

本文模型更新階段采用如下方式：

3.4 雙重響應(yīng)異常約束的無人機(jī)目標(biāo)跟蹤

DRACF算法以STRCF為基準(zhǔn)算法，引入峰值旁瓣比和次峰響應(yīng)比雙重響應(yīng)異常約束機(jī)制，動(dòng)態(tài)更新時(shí)空正則項(xiàng)參數(shù)，能夠有效達(dá)到抑制異常準(zhǔn)確跟蹤的目的，目標(biāo)函數(shù)如式（12）所示：

式中：K為樣本特征通道數(shù)為空間正則化參數(shù)，θt為時(shí)間正則項(xiàng)超參數(shù)。

類似于STRCF算法的解法，在該方法中，采用了一個(gè)附加的變量q，將方程式轉(zhuǎn)換為增廣拉格朗日型，然后用ADMM的方法求出：

采用ADMM方法，將拉格朗日形式問題分成多個(gè)子問題：

對(duì)公式（15）、（16）、（17）進(jìn)行迭代法的最優(yōu)值求解。

4 實(shí)驗(yàn)與結(jié)果分析

4.1 實(shí)驗(yàn)環(huán)境及參數(shù)設(shè)置

本文使用的計(jì)算機(jī)操作系統(tǒng)為Window10，CPU為英特爾i7-10750H，頻率為2.60 GHz，內(nèi)存大小為16 GB。編程軟件為MATLAB R2018b。參數(shù)設(shè)置：局部響應(yīng)變化學(xué)習(xí)率η=8，空間正則化系數(shù)δ的學(xué)習(xí)率β=0.3，模型更新階段學(xué)習(xí)率α=0.02，ADMM的迭代次數(shù)為3，其余參數(shù)設(shè)置與STRCF相同。

為檢驗(yàn)DRACF算法性能，選取近幾年優(yōu)秀的基于相關(guān)濾波的目標(biāo)跟蹤算法在3個(gè)流行的無人機(jī)跟蹤數(shù)據(jù)庫UAV123［18］、UAV20L［9］、DTB70［19］上進(jìn)行仿真實(shí)驗(yàn)，并利用benchmark平臺(tái)與KCF、DSST、SAMF、SRDCF、STRCF、AutoTrack、ARCF這7種算法進(jìn)行實(shí)驗(yàn)并對(duì)比分析（表1），對(duì)比算法的參數(shù)與原文一致。

表1 與本文對(duì)比的算法Tab.1 Algorithms compared with that in this paper

4.2 數(shù)據(jù)集及評(píng)估標(biāo)準(zhǔn)

UAV123數(shù)據(jù)集是一個(gè)用于低空無人機(jī)目標(biāo)跟蹤的測試基準(zhǔn)，包括103個(gè)專業(yè)級(jí)無人機(jī)拍攝的視頻序列，12個(gè)小型低成本無人機(jī)拍攝的視頻序列以及8個(gè)虛擬的合成視頻序列，共123個(gè)視頻序列，包含各種不同場景和不同跟蹤目標(biāo)，是無人機(jī)目標(biāo)跟蹤領(lǐng)域的代表性數(shù)據(jù)集之一。有12種挑戰(zhàn)屬性，分別是尺度變化（SV）、縱橫比變化（ARC）、低分辨率（LR）、快速運(yùn)動(dòng)（FM）、完全遮擋（FOC）、部分遮擋（POC）、超出視野（OV）、背景雜波（BC）、光照變化（IV）、視角變化（VC）、相機(jī)運(yùn)動(dòng)（CM）和相似物體（SOB）。UAV20L是UAV123的一個(gè)子集，專為長期跟蹤而設(shè)計(jì)，包括20個(gè)最長的序列。DTB70數(shù)據(jù)是一個(gè)高多樣性無人機(jī)航拍數(shù)據(jù)集，該數(shù)據(jù)集包含70個(gè)視頻序列，平均時(shí)長7 s，高空環(huán)境復(fù)雜多樣，為短時(shí)彩色視頻，主要關(guān)注相機(jī)運(yùn)動(dòng)場景下人和車輛的跟蹤。

為了評(píng)估跟蹤算法的跟蹤性能，本文采取的評(píng)估方式為一次跟蹤評(píng)估（OPE），即所有視頻只跟蹤一次。實(shí)驗(yàn)中采用OTB-2015測試數(shù)據(jù)集中兩種通用評(píng)估方法即跟蹤精確度圖（Precision Plots）和跟蹤成功率圖（Success Plots），作為定量評(píng)價(jià)標(biāo)準(zhǔn)。精確度圖顯示了閾值在一定范圍內(nèi)的平均精度，本文中閾值取20。成功率圖表示閾值在一定范圍內(nèi)的重疊率精度，由曲線下的面積（AUC）評(píng)估跟蹤器性能。

4.3 實(shí)驗(yàn)結(jié)果分析

4.3.1 定量分析

圖6展示了8種對(duì)比算法在數(shù)據(jù)集UAV123上的距離精度和成功率。圖7展示了8種對(duì)比算法在UAV20L數(shù)據(jù)集上的距離精度和成功率。由結(jié)果可知，本文算法在數(shù)據(jù)集UAV123和UAV20L上的表現(xiàn)相對(duì)于近幾年的優(yōu)秀算法都是較優(yōu)的。

圖6 UAV123數(shù)據(jù)集的測試結(jié)果Fig.6 Test results of UAV123 dataset

圖7 UAV20L數(shù)據(jù)集的測試結(jié)果Fig.7 Test results of UAV20L dataset

DRACF算法在數(shù)據(jù)集UAV123的距離精度和成功率分別達(dá)到71.7%和60.0%，在數(shù)據(jù)集UAV20L的距離精度和成功率分別達(dá)到58.7%和52.8%，精確度和成功率均排名第一，在長時(shí)間的跟蹤任務(wù)中表現(xiàn)優(yōu)異。圖8為本文算法與7種對(duì)比算法在數(shù)據(jù)集UAV123中遮擋、尺度變化、視點(diǎn)變化、相機(jī)運(yùn)動(dòng)4種屬性場景下的成功率曲線圖。

圖8 在UAV123數(shù)據(jù)集中遮擋、尺度變化、視點(diǎn)變化、相機(jī)運(yùn)動(dòng)屬性的成功率曲線。Fig.8 Success rate curves of partial occlusion， scale change， viewpoint change and camera motion attribute in UAV123 dataset.

由實(shí)驗(yàn)結(jié)果可知，DRACF算法在遮擋、尺度變化、視點(diǎn)變化、相機(jī)運(yùn)動(dòng)屬性的視頻序列上均表現(xiàn)良好，優(yōu)于其他7種對(duì)比算法。在UAV123航拍數(shù)據(jù)集上的出色表現(xiàn)驗(yàn)證了DRACF算法在實(shí)際無人機(jī)系統(tǒng)上完成目標(biāo)跟蹤抗遮擋、應(yīng)對(duì)目標(biāo)尺度變化及視點(diǎn)變化等挑戰(zhàn)時(shí)具有優(yōu)良的性能。在數(shù)據(jù)集DTB70的距離精度和成功率分別達(dá)到66.7%和52.9%，相對(duì)于基準(zhǔn)算法STRCF，成功率提升了4.4%、距離精度提升了1.8%。圖9為DRACF算法與7種對(duì)比算法在數(shù)據(jù)集DTB70中背景雜波屬性場景下的成功率曲線圖和精確度曲線圖。在背景雜波場景下，相比于同類型的ARCF和AutoTrack算法，DRACF的成功率與精確度均為最高；與基準(zhǔn)算法STRCF相比，成功率提升了10.2%。DTB70數(shù)據(jù)集中的視頻序列環(huán)境復(fù)雜多樣，實(shí)驗(yàn)結(jié)果表明DRACF算法有較好的抑制異常能力。

圖9 DTB70數(shù)據(jù)集中背景雜波屬性的距離精度曲線圖和成功率曲線圖Fig.9 Range accuracy curves and success rate curves of background clutter attribute in DTB70 dataset

為了更加直觀地對(duì)比DRACF算法與對(duì)比算法在各屬性下的跟蹤效果，表2列出了這8種算法在UAV123數(shù)據(jù)集上12種視頻屬性下的跟蹤成功率。

表2 8種跟蹤算法在各屬性序列上的成功率得分Tab.2 Success rate scores of 8 tracking algorithms on each attribute sequence

4.3.2 定性分析

為了更加直觀地分析DRACF算法的跟蹤性能，將本文算法與SRDCF、STRCF、AutoTrack、ARCF等4種算法在3個(gè)具有挑戰(zhàn)性的視頻序列對(duì)比跟蹤結(jié)果。

圖10（a）為DTB70數(shù)據(jù)集的horse圖像序列中的部分關(guān)鍵圖像幀的跟蹤結(jié)果，視頻圖像包括部分遮擋和完全遮擋的挑戰(zhàn)。在開始階段，無人機(jī)低空飛行，目標(biāo)周圍沒有障礙物沒有發(fā)生遮擋現(xiàn)象，所有算法均能夠成功跟蹤目標(biāo)；第53～60幀，目標(biāo)發(fā)生了部分遮擋，AutoTrack和ARCF都有不同程度的跟蹤誤差；第67～70幀，目標(biāo)發(fā)生了完全遮擋，此時(shí)STRCF、AutoTrack、ARCF算法跟蹤完全失??；第80～126幀，目標(biāo)脫離遮擋后DRACF算法和SRDCF、STRCF跟蹤依舊相對(duì)成功，但是STRCF相較于DRACF算法也存在跟蹤誤差。因此本文采用雙重響應(yīng)異常約束策略，防止其進(jìn)行錯(cuò)誤的更新從而使跟蹤失敗。

圖10 5種算法在3個(gè)視頻序列的跟蹤結(jié)果比較Fig.10 Comparison of tracking results of 5 algorithms in 3 video sequences

圖10（b）為DTB70數(shù)據(jù)集的RcCar9圖像序列中的部分關(guān)鍵圖像幀的跟蹤結(jié)果，視頻圖像包括視角變化、快速運(yùn)動(dòng)、目標(biāo)旋轉(zhuǎn)和目標(biāo)模糊等挑戰(zhàn)。視頻開始，小車沿直線運(yùn)行，所有算法均能夠成功跟蹤目標(biāo)；第10～45幀，目標(biāo)小車完成第一次轉(zhuǎn)彎，無人機(jī)視角和目標(biāo)外觀均發(fā)生變化，SRDCF算法跟蹤完全失敗；第89～124幀，目標(biāo)小車進(jìn)入顛簸路段，此時(shí)目標(biāo)模糊且速度快，因而5種算法均發(fā)生不同程度的漂移；第140幀，目標(biāo)小車進(jìn)入最后一個(gè)彎道，DRACF算法和AutoTrack、ARCF算法依舊跟蹤相對(duì)成功，STRCF算法發(fā)生嚴(yán)重漂移，不能完成準(zhǔn)確跟蹤?？梢?，DRACF算法在面對(duì)較為復(fù)雜的低空目標(biāo)跟蹤時(shí)，能夠較好地完成跟蹤。

圖10（c）為UAV20L數(shù)據(jù)集上的Car16圖像序列中的部分關(guān)鍵圖像幀的跟蹤結(jié)果，視頻圖像包含視角變化、尺度變化等挑戰(zhàn)。剛開始時(shí)，無人機(jī)距離目標(biāo)較遠(yuǎn)，目標(biāo)占視野比率較小，但各種算法均能準(zhǔn)確跟蹤。隨著汽車逐漸靠近無人機(jī)，目標(biāo)占視野比率增大，各種算法只中選擇目標(biāo)的一部分在跟蹤框內(nèi)，也造成了目標(biāo)特征學(xué)習(xí)的缺失，因此提供更準(zhǔn)確的目標(biāo)特征對(duì)跟蹤任務(wù)尤為重要。第186～251幀，目標(biāo)尺度發(fā)生嚴(yán)重變化，SRDCF、STRCF和ARCF均發(fā)生不同程度漂移；在第260～350幀和第1 114～1 260幀，無人機(jī)轉(zhuǎn)動(dòng)視角發(fā)生及目標(biāo)尺度改變，均影響了跟蹤效果，在面對(duì)多尺度變化問題時(shí)，DRACF算法存在一定缺陷，但與對(duì)比算法比較仍能保持穩(wěn)定跟蹤，在長時(shí)間目標(biāo)跟蹤任務(wù)中表現(xiàn)優(yōu)異。

4.3.3 消融實(shí)驗(yàn)

為了驗(yàn)證DRACF算法的合理性和有效性，實(shí)驗(yàn)設(shè)計(jì)了對(duì)比基準(zhǔn)算法STRCF在局部響應(yīng)變化約束模塊（Local Response Change Constraint，LRC）、次峰響應(yīng)變化約束模塊（Subpeak Response Change Constraints，SRC）作用下的跟蹤對(duì)比，表3展示了在UAV123數(shù)據(jù)集上多種組合的實(shí)驗(yàn)結(jié)果?？梢钥闯觯琒TRCF算法的成功率和精確度均為最低；而當(dāng)在STRCF基礎(chǔ)上分別引入LRC模塊和SRC模塊時(shí)，成功率和精確度較基準(zhǔn)算法均有一定程度提升；DRACF算法的成功率和精確度都排名第一，表明同時(shí)使用LRC模塊和SRC模塊可以有效提高無人機(jī)的目標(biāo)跟蹤性能。最后，對(duì)比4種算法的跟蹤速度，DRACF算法最快。

表3 在UAV123數(shù)據(jù)集上消融實(shí)驗(yàn)結(jié)果Tab.3 Ablation experimental results on UAV123 dataset

4.3.4 實(shí)時(shí)性分析

表4為不同算法在DTB70數(shù)據(jù)庫上的跟蹤速度對(duì)比，所有算法都在相同的實(shí)驗(yàn)平臺(tái)進(jìn)行仿真。DRACF算法能夠滿足跟蹤實(shí)時(shí)性需求，具有實(shí)際跟蹤場景的應(yīng)用價(jià)值。

表4 各算法的跟蹤速度Tab.4 Tracking speed of different algorithms

5 結(jié)論

本文在STRCF算法的基礎(chǔ)上提出了一種雙重響應(yīng)異常約束的無人機(jī)跟蹤算法。針對(duì)無人機(jī)跟蹤目標(biāo)易受視角變化、尺度變化等因素影響的問題，通過計(jì)算全局響應(yīng)峰值旁瓣比和局部響應(yīng)變化在線動(dòng)態(tài)更新空間正則化參數(shù)，實(shí)現(xiàn)魯棒的目標(biāo)跟蹤；加入異常峰值判斷機(jī)制，計(jì)算次峰響應(yīng)系數(shù)，并用該系數(shù)實(shí)時(shí)更新時(shí)間正則化參數(shù)，對(duì)異常進(jìn)行實(shí)時(shí)監(jiān)測，有效抑制異常發(fā)生，提升了跟蹤器處理各種復(fù)雜場景的能力。在UAV123、UAV20L、DTB70數(shù)據(jù)集上評(píng)估本文算法的性能，本文算法相對(duì)于STRCF、AutoTrack等主流算法均有了一定幅度的提高，精確度達(dá)到71.7%，跟蹤平均速度達(dá)到48.3幀/s，尤其在UAV20L數(shù)據(jù)集中的長時(shí)間無人機(jī)目標(biāo)跟蹤任務(wù)中表現(xiàn)優(yōu)異。但當(dāng)目標(biāo)出視野時(shí)，本文算法跟蹤失敗，因此未來將進(jìn)一步優(yōu)化跟蹤模型以及目標(biāo)重檢測機(jī)制，提升算法性能，促進(jìn)目標(biāo)跟蹤技術(shù)的發(fā)展及其在無人機(jī)中的應(yīng)用。