双约束上下文感知相关滤波跟踪算法

双约束上下文感知相关滤波跟踪算法
谭翠媚;刘波
【摘要】提出一种双约束上下文感知相关滤波跟踪算法.针对最小输出平方和误差滤波器的无偏估计容易引起过拟合的情况,结合线性岭回归训练的滤波器,提高算法的泛化能力;根据上下文感知相关滤波中的背景选择方向固定,进行基于卡尔曼滤波的自适应背景选择,提高滤波器对目标及背景的判别性;同时在目标模型更新策略中使用新的遮挡判据APCE.最后将本文算法与当前主流的跟踪算法做仿真对比,验证了本文算法的优越性和鲁棒性.
【期刊名称】《自动化与信息工程》
【年(卷),期】2019(040)001
【总页数】5页(P25-29)
【关键词】目标跟踪;相关滤波;上下文感知
【作者】谭翠媚;刘波
【作者单位】广东省计量科学研究院;广东省现代几何与力学计量技术重点实验室;北京理工大学光电学院
【正文语种】中文
近年来，目标跟踪作为机器视觉领域的重要组成部分，受到学者们广泛关注，取得显著发展，在视频监控、智能交通等领域应用广泛[1]。

目前，目标跟踪仍存在许多难点问题，如，目标遮挡、目标形变和尺度变换等。

如何解决这些问题是目标跟踪领域的研究重点。

其中相关滤波在目标跟踪领域的应用，极大促进了跟踪领域的
发展，国内外研究人员进行了大量相关滤波改进算法的研究。

Blome[2]等人于2010年第一次将相关滤波应用于目标跟踪，提出的最小输出平方和误差（minimum output sum of squared error，MOSSE）滤波跟踪算法，通过傅
立叶变换，将目标与待测样本集间的相关性计算转换到频域，极大地提高了计算效率；但由于采样样本有限，影响算法的鲁棒性。

Henriques[3]等人提出了基于核
函数的循环结构（circulant structure of tracking-by-detection with kernels，CSK）跟踪算法，利用一次获取的待测样本，通过循环移位采样该样本形成循环矩阵，获得样本集。

由于CSK算法使用的是视频图像的灰度特征，为进一步提高CSK算法的性能，Danelljan[4]等人针对颜色特征提出了CN算法；Henriques[5]等人使用多通道的HOG特征，并引入核方法提出核相关滤波跟踪算法（kernelized correlation filters，KCF)。

但有关上下文感知的跟踪方法研究相对
较少。

2017年，Mueller[6]等人对相关滤波算法的框架进行改进，提出了上下文
感知相关滤波跟踪算法（context-aware correlation filter tracking，CA-CF）。

该算法联合全局上下文进行背景训练，既能合理增加背景信息，提高跟踪的鲁棒性和准确性，又不带来负面影响。

为进一步提高CA-CF跟踪性能，本文提出一种双约束上下文感知相关滤波跟踪算法。

结合MOSSE滤波器与线性岭回归训练滤波器的优点，提出一种双约束滤波器。

在背景训练过程中加入自适应选择步骤，提高跟踪器对目标与背景的区分能力。

引入APCE判据的模型更新策略，有效解决目标遮挡问题。

将样本分类看成是一个岭回归问题，定义如下：
其中，表示分类器参数；表示第个训练样本；表示第个训练标签；表示正则化参数。

对式(1)求解优化，可得
其中，，分别表示样本矩阵和标签矩阵；表示单位矩阵。

把式(2)变换至傅立叶域：
其中，；是的复共轭。

相关滤波跟踪算法的样本为一个循环矩阵，根据其性质，可将算法转化到频域计算，以加快运算速度。

以向量为例，通过循环移位得到的循环矩阵为
由于循环矩阵具有能被离散傅立叶变换矩阵对角化的性质，样本矩阵可表示为
其中，为向量u在傅立叶域的表示形式；为离散傅立叶变换矩阵。

基于循环矩阵的性质，式(3)可化简为
其中，是的傅立叶变换。

当样本线性不可分时，利用核函数把低维空间线性不可分的样本，通过映射函数投影至高维空间，变成线性可分。

样本的线性组合可表示为
将式(7)代入式(1)，求得为
其中为核矩阵，且为循环矩阵。

根据前文循环矩阵的性质，由式(8)可得
其中，为核矩阵的第一行；和分别为与的傅立叶变换。

CA-CF将目标周围的顶部、底部、左侧和右侧的背景信息引入到相关滤波器的训
练过程中，增强了算法区分背景的能力，则式(1)变为
求解式(10)，可得
在MOSSE跟踪器中，采用最小输出平方和误差滤波器。

在数学上，这是一种对数值的无偏估计，可能造成过拟合，影响算法的泛化能力。

在KCF跟踪器中，采用
线性岭回归训练滤波器，有效地解决了模型训练的过拟合问题。

为优化模型，本文提出一种融合二者优点的双约束滤波器，可将式(10)优化为
其中是最小输出平方和误差滤波器。

对式(12)求解，可得
用列向量表示目标运动过程中需要估计的元素：
其中，分别表示目标中心处的坐标；分别表示目标在水平方向与垂直方向上的速度，并将初始值设为0。

则下一帧的估计元素为
其中，是状态转移矩阵；是高斯白噪声。

结合式(13)运用卡尔曼滤波做状态估计，目标预测即为响应峰值处坐标。

本文在选择背景训练补丁时，不再选择目标位置固定上下左右4个方向的补丁，
而利用卡尔曼滤波器校正目标位置的4个方向补丁，即在背景训练增加了自适应
选择，将背景选择的先验信息增加到滤波器训练中，有效增强了跟踪器对目标与背景的区分能力。

在模型更新策略中，本文算法使用Wang[7]等人提出的遮挡判据APCE。

其中，，分别对应最大值、最小值与位置处的数值。

APCE判据反映响应图的振荡程度：若APCE骤然变小，即出现目标被遮挡或
目标丢失，此时不执行模型更新；只有在APCE与都以某个比例大于其历史均值
的情况下，才执行模型更新。

结合APCE判据的模型更新策略能有效解决目标遮
挡问题，降低模型漂移的可能性，而且能减少模型更新次数，提高算法运行效率。

本文的仿真对比实验在Matlab R2016a软件上实现。

使用的计算机配置如下：intel(R)core(TM)i5- 4590 CPU 3.30 GHz处理器、8 G内存。

为验证本文提出的算法，选取CVPR 2013 Benchmark视频集[8]的全部视频序列进行测试，并与CSK[3]，DCF[5]，DCF_CA[6]，MOSSE_CA[6]，Struck[9]，TLD[10]，VTD[11]、CXT[12]和OAB[13] 9种算法进行对比分析。

其中，本文算法主要参数为：正则
化参数，，。

本文利用精准率与成功率评价分析算法的性能。

精准率给出了跟踪目标中心的预估位置，在给定准确位置的阈值距离内（本文取20）的帧数占视频序列总帧数的比例。

成功率给出了重叠率大于给定阈值（本文取0.5）的帧数占总帧数的比例，用
于评价跟踪算法在目标丢失后重新检测到目标的性能。

本文算法与9种对比算法在测试视频集上的整体精准率与成功率对比如表1所示。

由表1可知：本文算法的精准率与成功率得分均排名第一；本文算法精准率得分
是0.815，领先排名第二的DCF_CA（0.784）3.1个百分点；本文算法成功率为0.703，比第二名高出2.3个百分点。

本文算法与9种对比算法在遮挡、形变、尺度变换和快速运动等属性的精准率、
成功率对比分别如表2和表3所示。

通过定量分析验证了本文算法的优越性与鲁
棒性。

本文提出了一种双约束上下文感知相关滤波跟踪算法。

首先，将最小输出平方和误差滤波器与线性岭回归训练滤波器进行融合，有效解决传统最小输出平方和误差滤波器容易造成过拟合的问题；然后，进行基于卡尔曼滤波的自适应背景选择，将背景选择的先验信息引入到滤波器训练中，有效增强跟踪器判别目标与背景的能力；最后，在模型更新策略中引入新的遮挡判据APCE，仅在响应峰值与APCE皆以某个比例大于其历史均值的情况下，才执行模型更新。

实验表明：本文算法的精准率与成功率得分分别为0.815，0.703，均优于其他对比算法，验证了本文所提算法
的优越性与鲁棒性。

谭翠媚，女，1993年生，硕士研究生，主要研究方向：图像处理。

E-mail:
**************
刘波，男，1991年生，硕士研究生，主要研究方向：图像处理、目标跟踪、目标检测等。

【相关文献】
[1] Walia G S, Kapoor R . Recent advances on multicue object tracking: a survey[J]. Artificial Intelligence Review, 2016, 46(1):1-39.
[2] Bolme D S, Beveridge J R, Draper B A , et al. Visual object tracking using adaptive correlation filters[C]. Computer Vision and Pattern Recognition, IEEE, 2010: 2544-2550. [3] Henriques J F, Caseiro R, Martins P, et al. Exploiting the circulant structure of tracking-by-detection with kernels[C]. European Conference on Computer Vision. Springer-Verlag, 2012:702-715.
[4] Danelljan M, Khan F S, Felsberg M, et al. Adaptive color attributes for real-time visual tracking[C]. IEEE Computer Vision and Pattern Recognition, 2014:1090-1097.
[5] Henriques J F, Caseiro R, Martins P, et al. High-speed tracking with kernelized correlation filters[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2015, 37(3):583-596.
[6] Mueller M, Smith N, Ghanem B. Context-Aware correlation filter tracking [C]. IEEE Conference on Computer Vision and Pattern Recongnition,2017:1387-1395.
[7] Wang Mengmeng, Liu Yong, Huang Zeyi. Large margin object tracking with circulant feature maps[C]. IEEE Conference on Computer Vision and Pattern Recognition,
2017:4800-4808.
[8] Wu Y, Lim J, Yang M H. Online object tracking: a benchmark [C]. IEEE Conference on Computer Vision and Pattern Recongnition, 2013:2411-2418.
[9] Hare S, Saffari A, Torr P H S, et al. Struck: Structured output tracking with kernels[C]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2015, 38 (10):2096. [10] Kalal Z, Mikolajczyk K, Matas J. Tracking-learning-detection[C]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2012, 34 (7) :1409-22.
[11] Kwon J, Lee K M. Visual tracking decomposition[C]. Computer Vision and Pattern Recognition, IEEE, 2010:1269-1276.
[12] Dinh T B, Vo N, Medioni G. Context tracker: Exploring supporters and distracters in unconstrained environments[C]. Computer Vision and Pattern Recognition, IEEE, 2011:1177-1184.
[13] Grabner H, Grabner M, Bischof H. Real-time tracking via on-line boosting[C]. British Machine Vision Conference,2006: 47-56.。