胡珂立，范恩，葉軍，沈士根，谷宇章

（1.紹興文理學(xué)院，浙江 紹興 312000；2.中國科學(xué)院上海微系統(tǒng)與信息技術(shù)研究所，上海 200050）

1 引言

隨著“平安城市”的進(jìn)一步建設(shè)以及人們對安全生活、生產(chǎn)需求的進(jìn)一步提升，以物聯(lián)網(wǎng)為代表的多項(xiàng)技術(shù)不斷發(fā)展。視覺傳感器是物聯(lián)網(wǎng)感知世界的關(guān)鍵途徑，眾多視覺傳感器產(chǎn)生的海量數(shù)據(jù)須經(jīng)編碼[1]傳輸，與視覺傳感數(shù)據(jù)緊密相關(guān)的視覺分析[2,3]也是當(dāng)前最重要的環(huán)境感知手段之一。視覺目標(biāo)跟蹤[4-6]的任務(wù)為鎖定監(jiān)控區(qū)域內(nèi)興趣目標(biāo)，時(shí)刻感知其位置信息。視覺目標(biāo)跟蹤是進(jìn)行后續(xù)高級分析任務(wù)的重要基礎(chǔ)。由于現(xiàn)實(shí)場景中面臨諸多挑戰(zhàn)，提升視覺目標(biāo)跟蹤性能仍是一個(gè)挑戰(zhàn)性問題。

均值漂移算法由Comaniciu等人[7,8]提出，并被用于視覺目標(biāo)跟蹤。采用顏色直方圖作為目標(biāo)特征。在目標(biāo)跟蹤過程中，算法通過最小化跟蹤目標(biāo)與候選目標(biāo)區(qū)域概率密度函數(shù)的距離來確定當(dāng)前目標(biāo)位置。由于均值漂移跟蹤算法采用顏色直方圖特征和高效的目標(biāo)區(qū)域定位策略，能有效地克服運(yùn)動模糊、目標(biāo)形變等挑戰(zhàn)。然而，當(dāng)背景區(qū)域與目標(biāo)特征相近時(shí)，該算法極易發(fā)生偏移，最終導(dǎo)致跟蹤失敗。鑒于此種問題，一些新的度量方式或特征被引入，例如Cross-Bin度量[9]、SIFT 特征[10]、紋理特征[11]，在一定程度上提升了算法頑健性。Tomas等人[12]將背景信息引入，并提出了基于背景加權(quán)的方法。在目標(biāo)尺度估計(jì)方面，Tomas等人[12]采用了前向后向穩(wěn)定性檢測方法，經(jīng)改進(jìn)的此均值漂移算法的表現(xiàn)超過了多數(shù)性能優(yōu)異的跟蹤算法。此外，在尺度更新方面，Robert等人[13]采用差分尺度空間濾波器的策略，也取得了一定成效。盡管眾多學(xué)者做了很多努力，但視覺目標(biāo)跟蹤仍是一個(gè)開放問題。鑒于均值漂移跟蹤算法的高效性，尋求一種恰當(dāng)?shù)姆绞揭猿浞掷媚繕?biāo)信息和背景信息提升目標(biāo)位置估計(jì)的頑健性仍十分必要。

中智集理論[14]由Smarandache提出，相較于傳統(tǒng)的模糊理論，中智集理論除了對真（truth）、假（falsity）分量進(jìn)行表述外，還專門對不確定（indeterminacy）分量進(jìn)行了處理。中智集理論在處理不確定信息方面展現(xiàn)出很大優(yōu)勢。為了將中智集理論用于工程領(lǐng)域，參考文獻(xiàn)[15]提出了單值中智集的概念，將真、假、不確定分量的值限定在0到1的閉區(qū)間范圍內(nèi)。為將單值中智集用于工程決策，參考文獻(xiàn)[16]提出了余弦相似量測。鑒于中智理論的有效性，其被廣泛用于計(jì)算機(jī)視覺[17-23]、汽輪機(jī)故障診斷[24]、治療方案選擇[25,26]、聚類理論等[17,27-29]。參考文獻(xiàn)[17,18,21-23]將中智集理論用于圖像分割，其中參考文獻(xiàn)[17]提出了中智相似聚類方法；參考文獻(xiàn)[18]將不確定濾波器引入圖像分割；參考文獻(xiàn)[21]引入核約束，提出了核空間中智模糊均值聚類算法。在參考文獻(xiàn)[19]中，率先將單值中智集引入視頻目標(biāo)跟蹤算法中，提出了面向圖像顏色域和深度域的中智真、假、不確定分量的度量方法，并利用單值中智交叉熵完成了顏色和深度空間的信息融合，以此提升了跟蹤算法性能。參考文獻(xiàn)[30]利用中智相似度量建立新的權(quán)值，一定程度上提升了跟蹤算法的頑健性，然而其將 3個(gè)中智分量同等看待，且采用固定尺度信息，一定程度上限制了算法性能。

本文引入中智加權(quán)相似度量，提出了尺度自適應(yīng)的中智均值漂移視覺跟蹤算法，主要貢獻(xiàn)如下：

（1）提出了中智分量加權(quán)的思路，并將其引入余弦相似度量；

（2）針對幀間目標(biāo)特征穩(wěn)定度和目標(biāo)背景差異性提出了相應(yīng)屬性下的真、不確定、假量測計(jì)算方法，并利用加權(quán)余弦相似度量建立權(quán)值向量；

（3）針對目標(biāo)尺度自適應(yīng)更新問題提出了目標(biāo)尺度縮小/擴(kuò)大的真、不確定、假量測計(jì)算方法，并提出了中智框架下的尺度更新策略。

2 中智余弦相似度量

2.1 單值中智集

單值中智集是中智集的重要組成部分，單值中智集的提出使得中智理論用于科學(xué)與工程問題成為可能。單值中智集中每個(gè)元素對應(yīng)的真、不確定和假分量均為實(shí)數(shù)數(shù)值。假定X是一個(gè)全集，在X中的單值中智集A可以表示為：

其中，T(x)、I(x)和F(x)分別表示對應(yīng)元素的真、不確定和假分量量測函數(shù)，且TA(x)、IA(x)、FA(x)∈[0,1]，0≤TA(x)+IA(x)+FA(x)≤3。

假定是一個(gè)可供選擇的集合，是一個(gè)條件屬性集合，依照式(1)，Ai可以被表示為：

其中，TCj(Ai)、ICj(Ai)和FCj(Ai)是在條件屬性Cj下針對Ai的真、不確定和假分量量測函數(shù)，且TCj(Ai)、ICj(Ai)、FCj(Ai)∈[0,1]，0≤TCj(Ai)+ICj(Ai)+FCj(Ai) ≤3。多條件屬性下的集合A為多屬性單值中智集。

2.2 余弦相似度量

參考文獻(xiàn)[31]中提出了一種面向多屬性單值中智集的余弦（向量形式）相似度量測方法，Ai與Aj在屬性Ck下的相似度可以表示為：

假定A*代表中智集范疇內(nèi)理想情況下的選擇，則任一選擇Ai同A*的加權(quán)相似度可以表示為：

其中，wk∈[0,1]，wk是對應(yīng)于屬性Ck的權(quán)值，且

2.3 加權(quán)余弦相似度量

觀察式（4），可以發(fā)現(xiàn)該加權(quán)相似度僅是對不同屬性的加權(quán)，然而在實(shí)際應(yīng)用中，有時(shí)須強(qiáng)化各分量內(nèi)部的T、I、F分量中的一個(gè)或多個(gè)值?，F(xiàn)有的中智相似度量算法并沒有這項(xiàng)考慮，因此，將Ai同Aj之間的相似度表示為：

其中，α、β、γ∈[0,1]，分別為T、I、F分量的權(quán)值，且滿足α+β+γ=1。可以看到，式（5）中的主體部分實(shí)際是計(jì)算向量和向量之間的余弦值。因此，很容易得出如下3個(gè)結(jié)論：

假定A*代表理想選擇，則Ai同A*之間的相似度可表示為：

3 權(quán)值向量構(gòu)建

為提升均值漂移跟蹤算法的頑健性，本文以目標(biāo)特征、背景特征為出發(fā)點(diǎn)，從幀間穩(wěn)定度和幀內(nèi)相似度兩個(gè)方面對均值漂移跟蹤算法進(jìn)行約束。

3.1 均值漂移跟蹤算法

均值漂移算法通常采用核加權(quán)顏色直方圖，在選定跟蹤目標(biāo)后（通常用矩形框選定目標(biāo)區(qū)域），目標(biāo)特征被表示為：

其中，?u是直方圖的一個(gè)分量，假定有m個(gè)分量，則有為相對矩形框中心的圖像坐標(biāo)，b(x)是一個(gè)映射函數(shù)，它將x像素點(diǎn)位置的顏色信息映射在 1～m區(qū)間內(nèi)的某一個(gè)數(shù)值上。k(x)為核函數(shù)，核函數(shù)要求具有等向性、凸和單調(diào)遞減性。δ(x)是克羅內(nèi)克函數(shù)，C為歸一化參數(shù)，n為目標(biāo)區(qū)域像素點(diǎn)總數(shù)。

在跟蹤過程中，需要選取候選目標(biāo)，提取候選目標(biāo)直方圖特征與目標(biāo)特征比對。假定y是候選目標(biāo)區(qū)域（同尺度矩形框）的中心坐標(biāo)，候選目標(biāo)特征可表示為：

其中，xi為候選區(qū)域內(nèi)的像素點(diǎn)坐標(biāo)，nh為候選區(qū)域總像素點(diǎn)數(shù)，Ch為歸一化參數(shù)。

巴氏相關(guān)系數(shù)被用來衡量目標(biāo)特征和候選目標(biāo)特征的相似度，該相似度被表示為：

上一幀確定的目標(biāo)區(qū)域通常會被作為下一幀的首個(gè)候選目標(biāo)區(qū)域。新一幀目標(biāo)區(qū)域須使得最大。針對該項(xiàng)目標(biāo)，假設(shè)當(dāng)前候選目標(biāo)區(qū)域中心點(diǎn)圖像坐標(biāo)為0，則下一個(gè)候選目標(biāo)中心點(diǎn)坐標(biāo)應(yīng)為[7,8]：

其中，式（10）中的wi可通過式（11）計(jì)算：

3.2 多屬性中智度量

為頑健完成視覺目標(biāo)跟蹤問題，須強(qiáng)化幀間特征較穩(wěn)定的特征以及和背景特征差異較大的特征。鑒于此，本文以直方圖特征每個(gè)分量為分析對象，提出了兩種基于單值中智集的T、I、F量測。

對于幀間穩(wěn)定條件屬性Cs，借助3σ理論，t時(shí)刻的T、I、F量測分別被定義為：

其中，時(shí)刻到t時(shí)刻目標(biāo)跟蹤位置特征直方圖中的第u個(gè)分量的集合，μ為該集合的均值，σ為該集合的標(biāo)準(zhǔn)差，N表示該集合中總元素?cái)?shù)。可以發(fā)現(xiàn)，和分量的含義分別為t時(shí)刻前連續(xù)N幀時(shí)序內(nèi)滿足條件和的u分量數(shù)量占總元素?cái)?shù)的概率。

對于目標(biāo)特征強(qiáng)度及目標(biāo)/背景差異屬性Cb，相應(yīng)的t時(shí)刻的T、I、F量測分別被定義為：

其中，?u為目標(biāo)特征直方圖的第u個(gè)分量，bu為背景區(qū)域特征直方圖的第u個(gè)分量。在本文中，背景區(qū)域被定義為目標(biāo)區(qū)域的等比例外擴(kuò)區(qū)域，兩個(gè)區(qū)域中心均為原目標(biāo)區(qū)域中心。假定目標(biāo)區(qū)域?yàn)镚o，則背景區(qū)域Gb=λGo?Go，λ為擴(kuò)大系數(shù)。bu的計(jì)算依據(jù)式（7），本文并非在每一幀均更新bu，而是當(dāng)前幀背景區(qū)域特征與bu差異較大時(shí)才將其作為新的背景特征。

3.3 權(quán)值計(jì)算

將式（12）～式（17）代入式（6），便可以得到直方圖中第u個(gè)分量的中智權(quán)值：

其中分別為兩個(gè)條件屬性對應(yīng)的權(quán)值，此處的理想選擇A*在任一屬性條件下均被定義為由此，式（18）可以簡化為：

4 尺度自適應(yīng)方法

在跟蹤目標(biāo)的過程中，目標(biāo)成像大小可能會發(fā)生變化，當(dāng)跟蹤目標(biāo)框的尺度變化長時(shí)間無法適應(yīng)目標(biāo)成像尺寸時(shí)，易發(fā)生跟蹤失敗。本文將目標(biāo)候選區(qū)域特征與目標(biāo)特征的相似度作為可靠信息，將目標(biāo)候選區(qū)域特征與背景區(qū)域特征的相似度作為不確定信息，首次將中智集理論引入目標(biāo)尺度更新策略中。

在當(dāng)前幀目標(biāo)位置確定后，開始分析是否需要進(jìn)行尺度更新。首先考慮尺度縮小的情況，基于本文對可靠信息和不確定信息的分析，縮小尺度對應(yīng)的T、I、F量測分別被定義為：

其中，為當(dāng)前幀目標(biāo)區(qū)域縮小后對應(yīng)小區(qū)域的特征直方圖，確定縮小區(qū)域的方式與式（16）中背景區(qū)域的確定方法類似，同樣以當(dāng)前目標(biāo)區(qū)域?yàn)閰⒖?，區(qū)域中心不變，長寬按同比例縮小λsa倍，λsa為對應(yīng)的縮放系數(shù)。為初始目標(biāo)直方圖。為當(dāng)前區(qū)域?qū)?yīng)背景區(qū)域的特征直方圖。容易發(fā)現(xiàn)，Tsa為目標(biāo)區(qū)域縮小后與初始目標(biāo)特征的相似度，Isa為目標(biāo)區(qū)域縮小后對應(yīng)背景區(qū)域與的相似度。

與式（18）類似，此處的理想選擇A*在任一屬性條件下也被定義為，將式（20）～式（22）代入式（6），可以得到：

依據(jù)同樣的策略，可以獲得放大尺度對應(yīng)的中智相似度權(quán)值wbscal，其中放大系數(shù)為λba。本文取

得到wsscal和wbscal后，可依照式（24）確定當(dāng)前幀尺度：

其中，s為比例因子，且滿足s＞1。該比例因子的設(shè)定是為了避免尺度調(diào)整過于頻繁，或調(diào)整時(shí)受到噪聲干擾。確定λnew后，將目標(biāo)跟蹤框放大λnew倍作為新的跟蹤框。

5 中智加權(quán)相似度量尺度自適應(yīng)跟蹤算法流程

將本文提出的跟蹤算法稱為中智加權(quán)相似度量尺度自適應(yīng)均值漂移算法，具體流程如下。

步驟1 在初始幀選取待跟蹤目標(biāo)區(qū)域，依據(jù)式（8）計(jì)算目標(biāo)特征直方圖和初始背景直方圖b。

步驟 2 讀入新的視頻幀。

步驟 3 以上一幀的目標(biāo)位置作為當(dāng)前幀目標(biāo)位置的搜尋起始點(diǎn)0。

步驟 4 以0為起始點(diǎn)，依據(jù)式（25）、式（10）和式（19）計(jì)算新的目標(biāo)位置y?1。

步驟5 若不滿足，將重復(fù)執(zhí)行步驟4。

步驟6 依據(jù)式（20）～式（24）計(jì)算新的目標(biāo)尺度，更新目標(biāo)跟蹤框。計(jì)算當(dāng)前幀目標(biāo)背景特征直方圖，若

步驟7 輸出目標(biāo)跟蹤框，重復(fù)執(zhí)行步驟2～步驟7，直至跟蹤結(jié)束。

6 實(shí)驗(yàn)結(jié)果與分析

將本文提出的算法在一些具有挑戰(zhàn)性的視頻序列中進(jìn)行了測試，測試序列信息見表1（其中英文縮寫含義復(fù)雜背景（BC）、快速移動（FM）、運(yùn)動模糊（MB）、形變（DEF）、光照變化（IV）、平面內(nèi)旋轉(zhuǎn)（IPR）、低分辨率（LR）、遮擋（OCC）、平面外旋轉(zhuǎn)（OPR）、尺度變化（SV）），共計(jì)12 396幀，測試序列中包含了復(fù)雜背景、快速移動、運(yùn)動模糊、形變、光照變化、平面內(nèi)旋轉(zhuǎn)、低分辨率、遮擋、平面外旋轉(zhuǎn)和尺度變化等挑戰(zhàn)。

鑒于提出的算法完全基于均值漂移框架，在選取對比算法時(shí)，主要選取了近期基于均值漂移框架表現(xiàn)較優(yōu)異的算法。為了測試算法性能，將算法與 ASMS[12]、NEUTMS[30]和 KMS[7,8]算法進(jìn)行了比較。ASMS是近期表現(xiàn)較好的均值漂移框架下的跟蹤算法，它在跟蹤的同時(shí)能夠自適應(yīng)調(diào)整尺度信息；NEUTMS是基于中智余弦相似度量的均值漂移算法，其在某些方面的性能已超過了ASMS算法；鑒于本文算法完全基于KMS算法改進(jìn)，為顯示改進(jìn)效果，也將其引入。除ASMS以外，KMS和NEUTMS在跟蹤過程中均不更新尺度信息。為方便闡述，下文以WNEUTSMS表示本文提出的算法。

表1 測試視頻序列信息

6.1 參數(shù)設(shè)置

在測試過程中，所設(shè)定的參數(shù)值均保持不變。計(jì)算式（12）～式（14）時(shí)涉及的總幀數(shù)N被設(shè)定為10；計(jì)算背景區(qū)域時(shí)的擴(kuò)大系數(shù)λ被設(shè)定為1.6；式（19）中均被設(shè)定為0.5，即兩類條件屬性在權(quán)值向量生成時(shí)的貢獻(xiàn)等分；式（19）、式（23）中的α、β、γ分別被設(shè)定為0.5、0.25、0.25，這里適當(dāng)強(qiáng)化了真分量的貢獻(xiàn)；涉及尺度自適應(yīng)更新過程縮小和放大系數(shù)的λbsa和λba均被設(shè)定為0.3，式（24）中的比例因子s被設(shè)定為1.1；式（24）中的λ0須被設(shè)定為一個(gè)較小的值，以避免目標(biāo)框劇烈變化，此處λ0=0.04；算法流程中的ε0和ε1分別被設(shè)定為0.1、0.5。

6.2 評價(jià)標(biāo)準(zhǔn)

本文主要采用了兩種評價(jià)方式，一種是中心點(diǎn)誤差，該誤差是指由算法獲得的目標(biāo)框中心坐標(biāo)與人為標(biāo)記的實(shí)際目標(biāo)中心坐標(biāo)之間的歐氏距離；另一種是跟蹤成功率，其測量基準(zhǔn)是跟蹤目標(biāo)區(qū)域和實(shí)際目標(biāo)區(qū)域的重疊度，該重疊度可表示為：

其中，ROITi為第i幀中由跟蹤算法獲得的目標(biāo)框區(qū)域，ROIGi為第i幀真實(shí)目標(biāo)框區(qū)域。通過設(shè)定一個(gè)最小重疊度r，相應(yīng)的跟蹤成功率可表示為：

其中，N為視頻序列的總幀數(shù)。

6.3 目標(biāo)跟蹤結(jié)果

圖2、圖4、圖6、圖8給出了相應(yīng)視頻序列的跟蹤截圖，圖1、圖3、圖5、圖7給出了對應(yīng)視頻序列跟蹤結(jié)果的成功率曲線和中心點(diǎn)誤差曲線，定量分析了幾種算法的跟蹤效果。接下來針對各序列展開詳細(xì)分析。

（1）David序列

圖1 David序列跟蹤性能曲線

圖2 David序列跟蹤結(jié)果

該序列中各跟蹤算法面臨的主要挑戰(zhàn)包括目標(biāo)平面內(nèi)旋轉(zhuǎn)、平面外旋轉(zhuǎn)和相似背景等。從圖2可以看到，除了KMS算法，其他3種跟蹤算法在前330幀左右表現(xiàn)均較好。在第65幀，受到相似背景區(qū)域的干擾，KMS算法發(fā)生偏移。從第84幀可以看到KMS算法已失敗。在第339幀，可以看到ASMS算法估計(jì)了一個(gè)過大的尺度，導(dǎo)致目標(biāo)框較大且開始發(fā)生偏移，最終導(dǎo)致跟蹤失敗（第360幀）。在第430幀中，受背景干擾和目標(biāo)旋轉(zhuǎn)影響，NEUTMS算法發(fā)生了較大偏移。綜合圖1，可以發(fā)現(xiàn)，在此序列中，WNEUTSMS算法表現(xiàn)最好。

（2）Signer序列

該序列中包含的挑戰(zhàn)包括光照變化、尺度變化等。從圖 4中可以發(fā)現(xiàn)，在第 87幀，除了WNEUTSMS和ASMS算法以外，其他算法均已遠(yuǎn)遠(yuǎn)偏離了目標(biāo)位置。從尺度估計(jì)上，ASMS在前87幀的表現(xiàn)較好，WNEUTSMS算法給出的目標(biāo)框相對較小，其原因主要是光照變化導(dǎo)致目標(biāo)背景發(fā)生了劇烈變化，而歌手主體部分仍保持白色主色調(diào)，受幀間穩(wěn)定度約束，目標(biāo)框鎖定在特征較穩(wěn)定的區(qū)域。從第87幀開始，僅WNEUTSMS算法估計(jì)的目標(biāo)位置準(zhǔn)確，且在目標(biāo)特征恢復(fù)時(shí)能給出恰當(dāng)?shù)哪繕?biāo)尺度（見第274幀、第322幀）。觀察圖3（b），可以發(fā)現(xiàn)雖然ASMS算法的中心位置估計(jì)尚可，但其估計(jì)的目標(biāo)尺度遠(yuǎn)大于目標(biāo)真實(shí)尺寸。綜合圖3、圖4，可以發(fā)現(xiàn)，在本序列中，WNEUTSMS算法綜合表現(xiàn)最優(yōu)。

（3）Bolt序列

圖3 Singer序列跟蹤性能曲線

圖4 Singer序列跟蹤結(jié)果

該序列包含的挑戰(zhàn)主要有目標(biāo)形變、復(fù)雜背景等問題。觀察圖5（b），可以發(fā)現(xiàn)，從第200幀左右開始，除了 WNEUTSMS算法，ASMS、NEUTMS和KMS算法的跟蹤結(jié)果均已發(fā)生較大偏移，跟蹤失敗。觀察圖 6，可以看到在該序列的前半段，4種算法均能較好的完成目標(biāo)跟蹤。在第180幀，算法效果開始出現(xiàn)分化，受 Bolt旁邊運(yùn)動員外觀信息干擾，除WNEUTSMS算法外的其他算法受到干擾。借助于尺度估計(jì)、幀間穩(wěn)定特征信息和目標(biāo)個(gè)體特征強(qiáng)化，WNEUTSMS算法較好地完成了目標(biāo)跟蹤。然而，仔細(xì)觀察后，會發(fā)現(xiàn)WNEUTSMS算法估計(jì)得到的目標(biāo)尺度略小于目標(biāo)成像尺寸，這也是導(dǎo)致在重復(fù)率門限較高時(shí)，該算法的成功率反而低于其他算法的主要原因。深究造成這一現(xiàn)象的原因，主要是因?yàn)槟繕?biāo)奔跑速度快、步幅大，導(dǎo)致身體下半部分特征信息極不穩(wěn)定，故而導(dǎo)致尺度估計(jì)偏小。

（4）Walking序列

該序列中主要包含尺度變化、遮擋、目標(biāo)形變等挑戰(zhàn)。觀察圖7（b），可以發(fā)現(xiàn)，相比其他3種算法，WNEUTSMS算法在第 150～170幀、在第200～230幀，在第 250～300幀，均得到了較準(zhǔn)確的目標(biāo)中心點(diǎn)位置。從圖8中可以看到，在行人接近車輛之前，各算法表現(xiàn)均較好（見第10幀、第143幀）。在第154幀，因行人本身有不少部分呈現(xiàn)黑色特征，在行人靠近黑色車輛時(shí)，4種算法均不同程度上受到黑色車輛的影響，其中ASMS偏離目標(biāo)中心點(diǎn)最遠(yuǎn)，WNEUTSMS算法偏離最小，且估計(jì)的目標(biāo)尺寸最接近目標(biāo)成像大小。從第 153幀起，受背景車輛的干擾，ASMS算法已無法完成尺度信息的準(zhǔn)確估計(jì)，故而逐步導(dǎo)致算法失敗，而WNEUTSMS算法能夠給出相對合理的目標(biāo)框尺寸，這在圖7（a）成功率曲線上也有所體現(xiàn)。

圖5 Bolt序列跟蹤性能曲線

圖6 Bolt序列跟蹤結(jié)果

為評價(jià)本文算法在所有測試序列中的表現(xiàn)，將TRE和OPE評價(jià)引入。為完成TRE評價(jià)，每個(gè)測試序列被分為20份序列片段（各序列片段對應(yīng)原序列不同起始幀，但均以原序列結(jié)束幀為終止），每一個(gè)跟蹤算法均在每份測試序列片段中進(jìn)行測試。對于OPE評價(jià)，每個(gè)測試序列是從第一幀測試到最后一幀，且僅測一次。圖9和圖10分別給出了基于TRE、OPE評價(jià)的面向表1所示整個(gè)測試序列集的測試結(jié)果，表2和表3分別給出了各跟蹤算法應(yīng)對不同挑戰(zhàn)的 TRE-AUC、OPE-AUC分值。AUC分值為成功率曲線中對應(yīng)成功率曲線與橫縱坐標(biāo)軸圍成區(qū)域的面積，該值越大，表明算法越頑健。TRE-AUC分值與TRE成功率曲線對應(yīng)，OPE-AUC分值則與OPE成功率曲線對應(yīng)。

圖7 Walking序列跟蹤性能曲線

圖8 Walking序列跟蹤結(jié)果

圖9 所有測試序列TRE成功率曲線

圖10 所有測試序列OPE成功率曲線

綜合分析圖9、圖10和表2、表3，WNEUTSMS算法總體表現(xiàn)較好。觀察表 2，WNEUTSMS算法在應(yīng)對復(fù)雜背景、光照變化、平面內(nèi)旋轉(zhuǎn)、遮擋和平面外旋轉(zhuǎn)時(shí)表現(xiàn)最好；在應(yīng)對形變挑戰(zhàn)時(shí)僅次于NEUTMS算法，其原因主要在于大范圍的形變可能會造成目標(biāo)跟蹤框尺度估計(jì)不準(zhǔn)確；在應(yīng)對低分辨率和尺度變化時(shí)的表現(xiàn)僅次于ASMS算法，其原因主要在于在低分辨率情況下，僅有較少的信息能夠被用來提升算法性能。對于OPE評價(jià)，WNEUTSMS算法在應(yīng)對快速移動、運(yùn)動模糊、形變、平面內(nèi)旋轉(zhuǎn)、遮擋和平面外旋轉(zhuǎn)時(shí)表現(xiàn)最好。在應(yīng)對復(fù)雜背景、光照變化時(shí)僅次于ASMS算法。

綜合以上分析，可以發(fā)現(xiàn)，本文算法（WNEUTSMS算法）在確定目標(biāo)位置時(shí)將目標(biāo)幀間特征穩(wěn)定性和背景信息引入，同時(shí)強(qiáng)化“真”量測分量；在確定目標(biāo)尺度時(shí)聯(lián)合考慮目標(biāo)特征信息和目標(biāo)背景信息。多類信息融合考量提升了算法在應(yīng)對背景干擾、光照變化、尺度變化等挑戰(zhàn)時(shí)的頑健性。

7 結(jié)束語

本文提出了一種面向單值中智集的分量加權(quán)余弦相似度量，并基于此在中智框架內(nèi)提升了均值漂移視覺跟蹤算法的頑健性。針對目標(biāo)幀間特征穩(wěn)定性和目標(biāo)/背景相似度兩種屬性，本文提出了相應(yīng)的真、不確定、假量測計(jì)算方式，然后利用分量加權(quán)余弦相似度量構(gòu)建了新的權(quán)值向量，用于修正傳統(tǒng)均值漂移跟蹤算法的權(quán)值。此外，本文首次提出了基于中智加權(quán)余弦相似度量的尺度更新算法。實(shí)驗(yàn)結(jié)果表明，本文提出的視覺跟蹤算法能較好應(yīng)對相似背景、光照變化和尺度變化等挑戰(zhàn)。

表2 各跟蹤算法應(yīng)對不同挑戰(zhàn)的TRE-AUC分值

表3 各跟蹤算法應(yīng)對不同挑戰(zhàn)的OPE-AUC分值

參考文獻(xiàn)：

[1]趙利平, 林濤, 周開倫, 等.一種多色度格式級聯(lián)編碼的AVS2全色度圖像編碼算法[J].電信科學(xué), 2018, 34(4)： 57-67.ZHAO L P, LIN T, ZHOU K L, et al.A multi-chroma format cascaded coding method for full-chroma image in AVS2[J].Telecommunications Science, 2018, 34(4)： 57-67.

[2]唐彪, 金煒, 符冉迪, 等.多稀疏表示分類器決策融合的人臉識別[J].電信科學(xué), 2018, 34(4)： 31-40.FU B, JIN W, FU R D, et al.Face recognition using decision fusion of multiple sparse representation-based classifiers[J].Telecommunications Science, 2018, 34(4)： 31-40.

[3]顏文, 金煒, 符冉迪.結(jié)合 VLAD特征和稀疏表示的圖像檢索[J].電信科學(xué), 2016, 32(12)： 80-85.YAN W, JIN W, FU R D.Image retrieval based on the feature of VLAD and sparse representation[J].Telecommunications Science, 2016, 32 (12)： 80-85.

[4]YILMAZ A, JAVED O, SHAH M.Object tracking： a survey [J].ACM Computing Surveys, 2006, 38(4)： 13.

[5]WU Y, LIM J, YANG M H.Online object tracking： a benchmark[C]//IEEE Conference on Computer Vision and Pattern Recognition (CVPR), June 23-28, 2013, Portland, OR,USA.Piscataway： IEEE Press, 2013： 2411-2418.

[6]SMEULDERS A W M, CHU D M, CUCCHIARA R, et al.Visual tracking： an experimental survey [J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 2014, 36(7)：1442-1468.

[7]COMANICIU D, RAMESH V, MEER P.Real-time tracking of non-rigid objects using mean shift[C]//IEEE Conference on Computer Vision and Pattern Recognition (CVPR), June 13-15,2000, Hilton Head Island, SC, USA.Piscataway： IEEE Press,2000： 142-149.

[8]COMANICIU D, RAMESH V, MEER P.Kernel-based object tracking[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 2003, 25(5)： 564-577.

[9]LEICHTER I.Mean shift trackers with cross-bin metrics[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011, 34(4)： 695-706.

[10]ZHOU H, YUAN Y, SHI C.Object tracking using SIFT features and mean shift[J].Computer Vision and Image Understanding,2009, 113(3)： 345-352.

[11]BOUSETOUANE F, DIB L, SNOUSSI H.Improved mean shift integrating texture and color features for robust real time object tracking[J].The Visual Computer, 2013, 29(3)： 155-170.

[12]VOJIR T, NOSKOVA J, MATAS J.Robust scale-adaptive mean-shift for tracking[J].Pattern Recognition Letters,2014(49)： 250-258.

[13]COLLINS R T.Mean-shift blob tracking through scale space[C]//IEEE Conference on Computer Vision Pattern Recognition (CVPR), June 16-22, 2003, Madison, WI, USA.Piscataway： IEEE Press, 2003： 234-234.

[14]SMARANDACHE F.Neutrosophy： neutrosophic probability,set and logic[M].Rehoboth： American Research Press, 1998：105.

[15]WANG H, SMARANDACHE F, ZHANG Y Q, et al.Single valued neutrosophic sets[J].Multispace and Multistructure,2010(4)： 410-413.

[16]YE J.Vector similarity measures of simplified neutrosophic sets and their application in multicriteria decision making[J].International Journal of Fuzzy Systems, 2014, 16(2)：204-211.

[17]GUO Y, ?ENGüR A.A novel image segmentation algorithm based on neutrosophic similarity clustering[J].Applied Soft Computing Journal, 2014(25)： 391-398.

[18]GUO Y, XIA R, ?ENGüR A, et al.A novel image segmentation approach based on neutrosophic C-means clustering and indeterminacy filtering[J].Neural Computing and Applications,2016： 1-11.

[19]HU K, YE J, FAN E, et al.A novel object tracking algorithm by fusing color and depth information based on single valued neutrosophic cross-entropy[J].Journal of Intelligent and Fuzzy Systems, 2017, 32(3)： 1775-1786.

[20]GUO Y, SENGUR A.A novel 3D skeleton algorithm based on neutrosophic cost function[J].Applied Soft Computing Journal,2015(36)： 210-217.

[21]崔西希, 吳成茂.核空間中智模糊聚類及圖像分割應(yīng)用[J].中國圖象圖形學(xué)報(bào), 2016, 21(10)： 1316-1327.CUI X X, WU C M.Neutrosophic C-means clustering in kernel space and its application in image segmentation[J].Journal of Image and Graphics, 2016, 21(10)： 1316-1327.

[22]張桂梅, 王大雷.結(jié)合 LPG&PCA 的中智學(xué)圖像分割[J].中國圖象圖形學(xué)報(bào), 2014, 19(5)： 693-700.ZHANG G M, WANG D L.Neutrosophic image segmentation approach integrated LPG&PCA [J].Journal of Image and Graphics, 2014, 19(5)： 693-700.

[23]鄭肇葆, 潘勵(lì), 鄭宏.中智邏輯圖像分割方法的研究與分析[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版), 2015, 40(2)： 143-146.ZHENG Z B, PAN L, ZHENG H.Research and analysis of neutrosophic logic image segmentation (NLIS) method[J].Geomatics and Information Science of Wuhan University, 2015,40(2)： 143-146.

[24]YE J.Single-valued neutrosophic similarity measures based on cotangent function and their application in the fault diagnosis of steam turbine[J].Soft Computing, 2015,21(3)： 817-825.

[25]MA Y X, WANG J Q, WANG J, et al.An interval neutrosophic linguistic multi-criteria group decision-making method and its application in selecting medical treatment options[J].Neural Computing and Applications, 2016： 1-21.

[26]YE J, FU J.Multi-period medical diagnosis method using a single valued neutrosophic similarity measure based on tangent function[J].Computer Methods & Programs in Biomedicine,2016(123)： 142-149.

[27]ANTER A M, HASSANIEN A E, ELSOUD M A A, et al.Neutrosophic sets and fuzzy C-means clustering for improving CT liver image segmentation[J].Advances in Intelligent Systems and Computing, 2014(303)： 193-203.

[28]GUO Y, SENGUR A.NECM： neutrosophic evidential C-means clustering algorithm[J].Neural Computing and Applications,2015, 26(3)： 561-571.

[29]GUO Y, SENGUR A.NCM： Neutrosophic c-means clustering algorithm[J].Pattern Recognition, 2015, 48(8)： 2710-2724.

[30]HU K, FAN E, YE J, et al.Neutrosophic similarity score based weighted histogram for robust mean-shift tracking[J].Information, 2017, 8(4)： 122.

[31]YE J.Multicriteria decision-making method using the correlation coefficient under single-valued neutrosophic environment[J].International Journal of General Systems, 2013,42(4)： 386-394.