0 引言

    隨著計(jì)算機(jī)技術(shù)及數(shù)字圖像處理技術(shù)的快速發(fā)展,，基于視頻序列的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤是計(jì)算機(jī)視覺(jué)的一個(gè)重要的研究方向,，目前已被廣泛的應(yīng)用于各個(gè)領(lǐng)域，如智能交通,、視頻監(jiān)控,、無(wú)人機(jī)跟蹤、人機(jī)交互等,，實(shí)現(xiàn)了用計(jì)算機(jī)代替人眼對(duì)外界物體的運(yùn)動(dòng)進(jìn)行智能分析,，為人們的生活和工作提供了很大的便利^[1-2]。近年來(lái)各種目標(biāo)檢測(cè)與目標(biāo)跟蹤的技術(shù)已日趨成熟,，有基于顏色信息進(jìn)行跟蹤的方法,，如Mean Shift算法^[3-5]、模糊C均值聚類^[6-9]；有基于紋理的方法,，如核相關(guān)濾波算法(Kernerlized Correlation Filter,，KCF)^[10-14]、尺度空間判別跟蹤算法(Discriminative Scale Space Tracking,，DSST)^[15],。目前很多跟蹤方法也將深度學(xué)習(xí)的思路融入其中^[16-18]，并且取得了長(zhǎng)足的進(jìn)步,。

    視頻序列中目標(biāo)跟蹤的難點(diǎn)在于目標(biāo)移動(dòng)過(guò)程中可能出現(xiàn)被其他物體遮擋,、目標(biāo)形狀發(fā)生變化以及目標(biāo)發(fā)生旋轉(zhuǎn)等情況，從而造成跟蹤失敗,。本文通過(guò)對(duì)目標(biāo)分割成多個(gè)區(qū)域分別跟蹤以及采用多個(gè)區(qū)域的模板分別更新這兩個(gè)策略以期望算法能夠在一定程度上容忍目標(biāo)在移動(dòng)過(guò)程中出現(xiàn)的形變和部分遮擋情況,。實(shí)驗(yàn)結(jié)果證明所采用的方法達(dá)到了預(yù)期。

    接下來(lái),，本文將分別介紹算法的模板更新策略以及定位策略,。

1 目標(biāo)多區(qū)域分割跟蹤方法

    在實(shí)際場(chǎng)景中，經(jīng)常會(huì)遇到目標(biāo)在移動(dòng)過(guò)程中由于視角的變化等原因?qū)е履繕?biāo)形態(tài)發(fā)生變化,，以及由于目標(biāo)在移動(dòng)過(guò)程中被其他物體遮擋等原因?qū)е履繕?biāo)只有部分區(qū)域出現(xiàn)在圖像中,，這些都會(huì)導(dǎo)致跟蹤算法性能降低。針對(duì)此種情況,，本文提出了一種新的搜索定位方法,，即對(duì)目標(biāo)中的多個(gè)區(qū)域進(jìn)行跟蹤，此方法可以在一定程度上解決由于目標(biāo)部分遮擋以及形變等原因造成跟蹤算法性能下降的問(wèn)題,。

1.1 模板選擇策略

    目前將目標(biāo)分割為多個(gè)區(qū)域主要有兩種劃分方法,，分別是劃分為相互重疊的區(qū)域以及劃分為相互不重疊的區(qū)域。將目標(biāo)劃分為相互不重疊的區(qū)域,，可以簡(jiǎn)化計(jì)算,；將目標(biāo)劃分為相互重疊的區(qū)域，可以增加目標(biāo)可用區(qū)域,，使得選取的目標(biāo)區(qū)域位置更加合理,。本文選擇對(duì)目標(biāo)劃分為部分相互重疊的區(qū)域，其中重疊率為50%,，如圖1所示,，其中，陰影部分為相鄰模塊的重疊區(qū)域,。

    在得到目標(biāo)的多個(gè)區(qū)域位置后,，對(duì)目標(biāo)區(qū)域進(jìn)行篩選。首先利用式(1)計(jì)算目標(biāo)區(qū)域特征,，篩選的準(zhǔn)則是特征穩(wěn)定且特征盡可能大的區(qū)域,。

其中,，fb_i表示第i個(gè)區(qū)域的特征值；ω表示區(qū)域距離中心的權(quán)重信息,，距離中心越遠(yuǎn)權(quán)重越小,，反之越大；f_i表示目標(biāo)的紋理特征值(由n個(gè)子特征值組成,，第k的子特征值為x_k),，特征值越大表示是目標(biāo)的可能性就越大，跟蹤過(guò)程中此特征就越穩(wěn)定,。將式(1)計(jì)算得到的多個(gè)區(qū)域值按fb_i特征值由大到小進(jìn)行排序,，然后選擇其中3個(gè)區(qū)域作為定位區(qū)域，另外將目標(biāo)中心區(qū)域一同作為定位區(qū)域使用,，這樣最終獲得了4個(gè)定位區(qū)域,。考慮到所選區(qū)域的多樣性,，在進(jìn)行區(qū)域選擇時(shí),，盡量不要選擇距離很近的兩個(gè)區(qū)域作為定位區(qū)域。

1.2 搜索定位策略

    接下來(lái)的問(wèn)題是如何找到兩個(gè)目標(biāo)的相似性,。計(jì)算目標(biāo)相似性本文使用的是相關(guān)濾波的方法,，見(jiàn)式(2)，值越小表示相似度越高,。

    算法中為了增加抗干擾性能，使用了多個(gè)區(qū)域?qū)δ繕?biāo)進(jìn)行定位,，通過(guò)式(3)計(jì)算整個(gè)目標(biāo)區(qū)域的相關(guān)性,。

式中，λ_bi表示第i個(gè)區(qū)域?qū)φ麄€(gè)結(jié)果的重要性,，可以用高斯濾波表示,。為了使得計(jì)算結(jié)果更加穩(wěn)定且準(zhǔn)確，在確定λ_bi值時(shí)需要注意：目標(biāo)中心區(qū)域中的λ_bi所占的比重會(huì)比周圍的區(qū)域大,，另外區(qū)域特征值越大,，給出的λ_bi也會(huì)越大。

1.3 模板更新策略

    模板是直接影響下一幀搜索結(jié)果的一個(gè)很重要的因素,，若模板選擇不合理,，將會(huì)導(dǎo)致跟蹤結(jié)果出現(xiàn)偏差，甚至跟蹤到完全錯(cuò)誤的物體上,。根據(jù)實(shí)驗(yàn)可知,，如果模板每幀都在更新，若出現(xiàn)遮擋等情況時(shí),，就會(huì)造成模板被污染,，導(dǎo)致跟蹤失敗,。本文中，模版更新采用不同的目標(biāo)區(qū)域,，其更新的權(quán)重不同,，這樣可以使得模板更新相對(duì)精確，從而避免由于遮擋等原因造成誤更新問(wèn)題,。模板更新公式如下：

2 實(shí)驗(yàn)結(jié)果分析

    KCF是目前跟蹤算法相對(duì)比較出色的一種相關(guān)濾波算法,，采用脊回歸以及循環(huán)卷積等方法取得了較好的跟蹤效果。下述實(shí)驗(yàn)將KCF與本文提出的方法進(jìn)行對(duì)比分析,，如圖2所示,。

    圖2中，虛線框代表KCF跟蹤效果,，實(shí)線框代表本文算法,，在跟蹤過(guò)程未遇到障礙物之前KCF方法與本文算法跟蹤效果類似，都能相對(duì)準(zhǔn)確地跟蹤到目標(biāo),；當(dāng)障礙物剛開(kāi)始遮擋目標(biāo)時(shí),，KCF方法也可以跟蹤到目標(biāo)，但是偏差會(huì)越來(lái)越大,，本文方法可以相對(duì)準(zhǔn)確地跟蹤部分遮擋的目標(biāo),；當(dāng)目標(biāo)從障礙物的另一個(gè)方向出現(xiàn)時(shí)，KCF并沒(méi)有及時(shí)地跟蹤到目標(biāo),，但是本文方法能夠跟蹤到目標(biāo),，這主要得益于本文方法使用的多區(qū)域跟蹤以及多幀更新模板的策略。

    由上述實(shí)驗(yàn)結(jié)果可以看出,，本文對(duì)于跟蹤目標(biāo)的形變以及遮擋等情況有一定的抗干擾能力,。

3 結(jié)論

    目標(biāo)跟蹤過(guò)程中，本文使用的多區(qū)域目標(biāo)跟蹤策略以及不同權(quán)重的多幀更新模板策略在一定程度上可以減少由于目標(biāo)形變以及障礙物遮擋造成的跟蹤丟失的情況,，即具有一定的魯棒性,，能夠較好地實(shí)現(xiàn)目標(biāo)的實(shí)時(shí)跟蹤。

參考文獻(xiàn)

[1] 袁寶紅.基于視頻的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤研究[D].合肥：安徽大學(xué),，2014.

[2] 祁淑霞.基于形狀上下文和粒子濾波的多目標(biāo)跟蹤[J].電子技術(shù)應(yīng)用,，2015，41(1)：156-160.

[3] VOJIR T,，NOSKOVA J,，MATAS J.Robust scale-adaptive mean-shift for tracking[C].SCIA，2013：652-663.

[4] 李紅波,，曾德龍,，吳渝.基于Mean-Shift和粒子濾波的兩步多目標(biāo)跟蹤方法[J].重慶郵電大學(xué)學(xué)報(bào)(自然科學(xué)版)，2010(1)：112-117,，121.

[5] 周楊,，胡桂明,，黃東芳.基于邊緣自適應(yīng)的Mean Shift目標(biāo)跟蹤方法[J].電子技術(shù)應(yīng)用，2017(5)：138-142.

[6] 王小鵬,，張永芳,，王偉，等.基于自適應(yīng)濾波的快速?gòu)V義模糊C均值聚類圖像分割[J].模式識(shí)別與人工智能,，2018,，31(11)：1040-1046.

[7] 郝慧娟，許繼勇,，劉廣起.基于自適應(yīng)分塊的視頻目標(biāo)跟蹤方法研究[J].計(jì)算機(jī)應(yīng)用研究,，2010，27(9)：3579-3580,，3590.

[8] 許辰銘.視頻圖像中的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤[D].南京：南京郵電大學(xué),，2012.

[9] HENRIQUES J F，CASEIRO R,，MARTINS P,，et al.High-speed tracking with kernelized correlation filters[J].TPAMI，2015,，37(3)：583-596.

[10] HENRIQUES J F,，CASEIRO R，MARTINS P,，et al.Exploiting the circulant structure of tracking-by-detection with kernels[C].ECCV,，2012.

[11] 劉延飛，何燕輝,，張薇,，等.基于異常值檢測(cè)的KCF目標(biāo)丟失預(yù)警方法研究[J].計(jì)算機(jī)工程與應(yīng)用，2018,，54(22)：216-222.

[12] DANELLJAN M，H?魧GER G,，KHAN F S,，et al.Accurate scale estimation for robust visual tracking[C].Proceedings of the British Machine Vision Conference(BMVC)，2014.

[13] DANELLJAN M,，H?魧GER G,，KHAN F S，et al.Michael felsberg. discriminative scale space tracking[J].TPAMI,，2017,，39(8)：1561-1575.

[14] 馬曉虹，尹向雷.基于相關(guān)濾波器的目標(biāo)跟蹤方法綜述[J].電子技術(shù)應(yīng)用,，2018,，44(6)：3-7,，14.

[15] NAM H，HAN B.Learning multi-domain convolutional neural networks for visual tracking[C].CVPR,，2016.

[16] BERTINETTO L,，VALMADRE J，HENRIQUES J F,，et al.Fully-convolutional siamese networks for object tracking[C].ECCV,，2016.

[17] HELD D，THRUN S,，SAVARESE S.Learning to track at 100 fps with deep regression networks[C].ECCV,，2016.

[18] 黃睿，陸許明,，鄔依林.基于TensorFlow深度學(xué)習(xí)手寫(xiě)體數(shù)字識(shí)別及應(yīng)用[J].電子技術(shù)應(yīng)用,，2018，44(10)：6-10.

作者信息:

張?zhí)祜w,，龍海燕,，丁  嬌，張  磊

(安徽信息工程學(xué)院,，安徽 蕪湖241000)