自适应尺度特征融合与模型更新的跟踪算法

————————————————————————————————————————————————自适应尺度特征融合与模型更新的跟踪算法作者王日宏，李永珺，张立锋机构青岛理工大学信息与控制工程学院DOI10.3969/j.issn.1001-3695.2018.07.0419基金项目国家自然科学基金资助项目（61502262）；山东省研究生教育创新计划资助项目（SDYY16023）预排期卷《计算机应用研究》2019年第36卷第12期摘要在核相关滤波器跟踪算法中，为了减少背景相似物等杂波对跟踪器的干扰，以及解决不同跟踪结果置信度下的模型更新问题，提出了自适应尺度特征融合与模型更新的跟踪算法。过多特征融合和尺度变化策略改进了多特征的尺度核相关滤波器，使用多峰检测对响应图的整体振荡程度进行判断，再对峰值进行跟踪结果置信度评估；在遮挡、形变等跟踪结果置信度低的情况下及时停止模型更新，在高置信度模型更新时，引入初始模型进行对齐操作，减少模型的更新误差，抑制模型漂移。比较核相关滤波器算法，本算法准确度较高，且在目标尺度变化、遮挡和形变时稳定性更好。在OTB-50数据集上的实验结果表明，本算法在精度和成功率上都比核相关滤波器算法表现更优。关键词多特征融合；尺度核相关滤波器；多峰检测；高置信度；模型更新；抑制模型漂移作者简介王日宏（1964-），男，山东福山人，教授，主要研究方向为智能信息处理､数据挖掘，（[e-mail]）；李永珺（1994-），男，硕士研究生，主要研究方向为智能信息处理；张立锋（1994-），男，硕士研究生，主要研究方向为智能信息处理．中图分类号TP301.6访问地址投稿日期2018年7月28日修回日期2018年9月10日发布日期2018年10月10日自适应尺度特征融合与模型更新的跟踪算法————————————————————————————————————————————————引用格式王日宏,李永珺,张立锋.自适应尺度特征融合与模型更新的跟踪算法[J/OL].2019,36(12).[2018-10-10].第36卷第12期计算机应用研究Vol.36No.12录用定稿ApplicationResearchofComputersAcceptedPaper——————————收稿日期：2018-07-28；修回日期：2018-09-10基金项目：国家自然科学基金资助项目（61502262）；山东省研究生教育创新计划资助项目（SDYY16023）作者简介：王日宏（1964-），男，山东福山人，教授，主要研究方向为智能信息处理､数据挖掘，（[e-mail]）；李永珺（1994-），男，硕士研究生，主要研究方向为智能信息处理；张立锋（1994-），男，硕士研究生，主要研究方向为智能信息处理．自适应尺度特征融合与模型更新的跟踪算法*王日宏，李永珺，张立锋(青岛理工大学信息与控制工程学院,山东省青岛市266520)摘要：在核相关滤波器跟踪算法中，为了减少背景相似物等杂波对跟踪器的干扰，以及解决不同跟踪结果置信度下的模型更新问题，提出了自适应尺度特征融合与模型更新的跟踪算法。过多特征融合和尺度变化策略改进了多特征的尺度核相关滤波器，使用多峰检测对响应图的整体振荡程度进行判断，再对峰值进行跟踪结果置信度评估；在遮挡、形变等跟踪结果置信度低的情况下及时停止模型更新，在高置信度模型更新时，引入初始模型进行对齐操作，减少模型的更新误差，抑制模型漂移。比较核相关滤波器算法，本算法准确度较高，且在目标尺度变化、遮挡和形变时稳定性更好。在OTB-50数据集上的实验结果表明，本算法在精度和成功率上都比核相关滤波器算法表现更优。关键词：多特征融合；尺度核相关滤波器；多峰检测；高置信度；模型更新；抑制模型漂移中图分类号：TP301.6doi:10.3969/j.issn.1001-3695.2018.07.0419Self-adaptivescalefeaturefusionandmodelupdatetrackingalgorithmWangRihong,LiYongjun,ZhangLifeng(SchoolofInformation&ControlEngineering,QingdaoUniversityofTechnology,QingdaoShandong266520,China)Abstract:Inthekernelcorrelationfiltertrackingalgorithm,inordertoreducetheinterferenceofbackgroundsimilarityandothercluttertothetracker,andtosolvetheproblemofmodelupdatingunderthedifferentconfidencedegreeoftrackingresults.Thispaperproposesaself-adaptivescalefeaturefusionandmodelupdate(SFMU)trackingalgorithm.Throughmulti-featurefusionandscalevariationstrategytoimprovethemulti-featurescalekernelcorrelationfilter,usingmulti-peakdetectionjudgedtheoveralloscillationdegreeofresponsemap,thentoevaluatetheconfidencedegreeofthetrackingresult.Thealgorithmstoppedupdatingmodeltimelyinthecaseoflowconfidenceofthetrackingresultssuchasocclusionanddeformation.Inthehighconfidencemodelupdate,thealgorithmintroducedtheinitialmodeltothealignmentoperationtosuppressmodeldrift.Therefore,comparedwiththekernelcorrelationfilteralgorithm,ouralgorithmismoreaccuracy,andthestabilityisbetterinthetargetofscalevariation,occlusionanddeformation.TheexperimentalresultsontheOTB-50datasetshowthattheprecisionandsuccessrateoftheproposedalgorithmarebetterthanthoseofkernelcorrelationfilteralgorithm.Keywords:multi-featurefusion;scalekernelcorrelationfilter;multi-peakdetection;highconfidence;modelupdate;suppressmodeldrift0引言目标跟踪是目前计算机视觉领域的热点研究方向之一，在军事、智慧城市等实际应用中有着重要的作用。随着人工智能技术的发展，在近十年里，目标跟踪算法也有着极大的进步。2010年，Bolme在目标跟踪领域中首次运用相关滤波的知识，提出了相关滤波器的最小平方误差和输出的跟踪算法[1](minimumoutputsumofsquarederror,MOSSE)，其展示出了惊人的跟踪速度，同时提出了PSR跟踪结果置信度的水平评估，得到了广泛的认可和研究。后来Henriques在其基础上使用密集采样和核函数，提出了循环结构的核跟踪检测算法(circulantstructureoftracking-by-detectionwithkernel,CSK)[2]和核相关滤波器的快速跟踪算法[3](high-speedtrackingwithkernelizedcorrelationfilters，KCF)，KCF算法利用循环矩阵的特性，将计算转换到傅里叶域中进行，同时使用改进的多通道梯度方向直方图(HOG)代替单通道的灰度特征。之后,涌现了许多性能良好的相关滤波类算法，如Danelljan提出的自适应颜色特征实时跟踪算法[4](adaptivecolorattributesforreal-timevisualtracking)，利用将RGB颜色空间细化的黑、蓝、棕、灰、绿、橙、粉、紫、红、白和黄11种颜色空间来代替梯度方向直方图特征描述目标。以及Danelljan提出的有着良好的尺度策略的跟踪算法[5](accuratescaleestimationforrobust录用定稿王日宏，等：自适应尺度特征融合与模型更新的跟踪算法第36卷第12期visualtracking,DSST)，专门训练了一个类似MOOSE滤波器去检测尺度变化，让目标的尺度检测和位置检测分开进行。Possegger提出的颜色统计特征方法(DAT，indefenseofcolor-basemodel-freetracking)[6]，统计前景和背景区域的颜色直方图并归一化，利用贝叶斯方法判别概率。Bertinetto提出将模板特征方法DSST和颜色统计特征方法DAT相结合的Staple(complementarylearnersforreal-timetracking)算法[7]。而在长时间跟踪方面，MaChao提出了基于相关滤波的跟踪算法[8](long-termcorrelationtracking,LCT)，在一个平移滤波器和一个尺度滤波器的基础上，再加了负责检测目标置信度滤波器的检测机制。近三年来，深度学习开始应用到跟踪中，BHan提出结合深度学习的MDNet算法[9]和Danelljan提出的以VGG-Net卷积神经网络为基础，提取目标深度特征的ECO算法[10]等是深度学习方法中性能优良的算法。目前跟踪领域主要分成相关滤波类和深度学习类，后者的算法精度较高，但是速度慢，一般情况下较难实现实时。所以本文的研究方向为相关滤波类算法。但是KCF、CN算法无法处理目标尺度变化，Staple算法中融合了HOG和颜色特征，但特征较为复杂，DSST算法中引入了尺度策略，但跟踪不稳定，难以较长时间跟踪，LCT算法虽可以较长时间的跟踪目标，但由于过多的滤波器导致跟踪过程较复杂。所以本文提出一种自适应尺度特征融合与模型更新的跟踪算法（SFMU），对多特征的尺度核相关滤波器检测到的最优尺度模型响应图进行多峰检测和PSR置信度评估的振荡程度分析，判断跟踪结果的置信度水平，同时在模型更新时加入初始模型以抑制模型漂移，并在OTB-50数据集[11]上验证了算法的有效性。1多特征的尺度核相关滤波器1.1核相关滤波器核相关滤波器算法的思想是利用循环位移密集采样以丰富目标样本，用得到的样本集训练岭回归分类器，同时通过循环矩阵对角化的性质，使用快速傅里叶变换转换到频域加速计算[12]，利用训练出的分类器，对新输入的图像比较计算相关性，得到新输入的图像与之前帧图像间的置信度响应图，最后选取响应峰值作为预测目标的位置。岭回归分类器的目标是找到函数()TfzWz使得误差目标函数最小，通过最小二乘法求解：22min(())iiwifxyw(1)而核相关滤波器，引入了核函数，通过非线性映射函数()iiiwx将线性映射成非线性，从一维转换到高维空间中，最终得到傅里叶空间中的解：ˆˆˆxxyk(2)其中：参数x为目标特征向量，为目标滤波器模型。岭