侯志強(qiáng)，王 帥，余旺盛，李宥謀，馬素剛

(1. 西安郵電大學(xué) 計(jì)算機(jī)學(xué)院，陜西 西安 710121；2.西安郵電大學(xué) 陜西省網(wǎng)絡(luò)數(shù)據(jù)分析與智能處理重點(diǎn)實(shí)驗(yàn)室，陜西 西安 710121；3. 空軍工程大學(xué) 信息與導(dǎo)航學(xué)院，陜西 西安 710077)

引言

在計(jì)算機(jī)視覺領(lǐng)域中，目標(biāo)跟蹤一直是研究的難點(diǎn)與熱點(diǎn)[1-3]，目前其已廣泛應(yīng)用于視頻監(jiān)控、成像制導(dǎo)、智能交通等領(lǐng)域。近年來(lái)，隨著計(jì)算機(jī)軟硬件性能的提升以及目標(biāo)跟蹤算法研究的不斷深入，視覺跟蹤的效果得到了顯著提高。但在現(xiàn)實(shí)中，目標(biāo)往往面臨形變、光照、尺度變化以及目標(biāo)遮擋等問(wèn)題[1]。因此，實(shí)現(xiàn)高精度的跟蹤仍然是一項(xiàng)具有挑戰(zhàn)性的任務(wù)。

目前，視覺跟蹤算法可以分為生成式模型[2-3](generative model)和判別式模型[4](discriminative model)兩大類。生成式模型跟蹤算法通過(guò)對(duì)初始幀內(nèi)所選目標(biāo)區(qū)域建立模型，并在下一幀中找到與所建立模型最相似的區(qū)域位置作為跟蹤結(jié)果，代表性算法有meanshift[5]、粒子濾波[6]以及L1跟蹤[7]等算法；判別式模型跟蹤算法把目標(biāo)的跟蹤問(wèn)題轉(zhuǎn)化為分類問(wèn)題，將目標(biāo)區(qū)域劃分為正樣本，背景區(qū)域劃分為負(fù)樣本，訓(xùn)練分類器，使分類器可將目標(biāo)從圖像背景中分離出來(lái)，從而獲得目標(biāo)的位置，代表算法有支持向量機(jī)(support vector machine, SVM)[8]、MOSSE(minimum output sum of squared error)[9]以及MIL( multi-instance learning)[10]跟蹤等算法。近年來(lái)，基于相關(guān)濾波(correlation filter，CF)的跟蹤方法因其優(yōu)異的性能成為研究的熱點(diǎn)。Blome等在文獻(xiàn)[9]中首次將相關(guān)濾波的方法用到視覺跟蹤領(lǐng)域，提出了MOSSE算法，該算法在灰度圖像上學(xué)習(xí)到一個(gè)相關(guān)濾波器使其平方誤差和最小，跟蹤速度可達(dá)600 fps。Henriques等[11]提出CSK(circulant structure kernel)跟蹤算法，通過(guò)對(duì)原始圖像進(jìn)行循環(huán)移位操作得到大量樣本，利用循環(huán)結(jié)構(gòu)的性質(zhì)以及傅里葉變換在頻域內(nèi)的快速計(jì)算，從而訓(xùn)練出更加穩(wěn)定和精確的濾波器。Danelljan等[12]提出了CN(color-name)算法，在CSK跟蹤基礎(chǔ)上引入顏色屬性特征，提高了算法在彩色圖像序列跟蹤上的魯棒性。Ma[13]提出長(zhǎng)時(shí)相關(guān)濾波跟蹤算法(LCT)，通過(guò)引入SVM分類器，當(dāng)跟蹤可能出現(xiàn)丟失時(shí)，提出對(duì)目標(biāo)重新檢測(cè)。循環(huán)采樣的相關(guān)濾波器在視覺跟蹤中是很高效的，但會(huì)受到邊界效應(yīng)的影響。為了有效解決這一問(wèn)題，Danelljan[14]提出空間正則化DCF(spatially regularized discriminative correlation filter ,SRDCF)，通過(guò)對(duì)核濾波器增加空間懲罰項(xiàng)，有效抑制了邊界效應(yīng)，提高了跟蹤性能，但為了解決在線更新問(wèn)題，該算法在多幅圖像上建立模型，提高了算法復(fù)雜度，影響了跟蹤實(shí)時(shí)性。Wang Dong等[15]將多濾波器融合應(yīng)用于紅外的小目標(biāo)檢測(cè)，該算法在不同場(chǎng)景下均有較高檢測(cè)精度。Chao Ma等[16]提出一種基于檢測(cè)的跟蹤算法LCT+，該算法使用了三個(gè)濾波器，分別用于平移檢測(cè)、尺度估計(jì)和再檢測(cè)。當(dāng)跟蹤結(jié)果低于閾值使用支持向量機(jī)進(jìn)行再檢測(cè)，提高了跟蹤性能。為解決跟蹤過(guò)程中目標(biāo)被遮擋導(dǎo)致丟失的問(wèn)題，Li Chao[17]等提出了一種記憶跟蹤狀態(tài)，在目標(biāo)丟失后進(jìn)入記憶跟蹤狀態(tài)，提高了跟蹤算法的魯棒性。Feng Li[18]等提出時(shí)空正則化濾波器(spatial-temporal regularized correlation filter,STRCF)，通過(guò)將時(shí)間正則項(xiàng)引入到單樣本SRDCF中，使STRCF在抑制邊界效應(yīng)的同時(shí)，避免了效率的損失，提升了跟蹤速度。但STRCF算法在跟蹤過(guò)程中使用較大搜索窗口在當(dāng)前幀進(jìn)行目標(biāo)響應(yīng)計(jì)算，由于搜索窗口增大，導(dǎo)致更多的背景加入響應(yīng)計(jì)算中，造成背景干擾問(wèn)題。

針對(duì)STRCF算法的上述不足，本文基于STRCF算法提出一種“檢測(cè)-跟蹤-檢測(cè)”的雙濾波器跟蹤算法，首先訓(xùn)練時(shí)空正則化濾波器(STRCF)和線性核相關(guān)濾波器(DCF)[19]兩個(gè)濾波器，將STRCF作為跟蹤器用于跟蹤過(guò)程中，每當(dāng)新來(lái)一幀圖像時(shí)，通過(guò)跟蹤器獲取響應(yīng)圖，由于目標(biāo)候選區(qū)域存在背景干擾等問(wèn)題，響應(yīng)圖有可能出現(xiàn)多個(gè)峰值。當(dāng)響應(yīng)圖出現(xiàn)多個(gè)峰值時(shí)，本文提出將線性核濾波器作為檢測(cè)器，對(duì)響應(yīng)圖進(jìn)行檢測(cè)，當(dāng)檢測(cè)到的響應(yīng)值大于原響應(yīng)值時(shí)，檢測(cè)響應(yīng)值是可以被信賴的；跟蹤器將會(huì)使用檢測(cè)到的目標(biāo)響應(yīng)值，精確目標(biāo)位置，提高了算法的精度。同時(shí)加入平均峰值相關(guān)能量[20]判斷目標(biāo)是否被遮擋，提供選擇性的模板更新，防止模板被污染，提高算法的魯棒性。為驗(yàn)證所提算法的有效性，本文利用OTB2015[21]、Temple color 128[22]和VOT2016 數(shù)據(jù)集作為測(cè)試數(shù)據(jù)，分別與不同的主流跟蹤算法進(jìn)行了對(duì)比實(shí)驗(yàn)。

1 STRCF跟蹤模型

在相關(guān)濾波跟蹤算法中，首先利用循環(huán)矩陣獲得大量樣本訓(xùn)練濾波器，但通過(guò)循環(huán)矩陣會(huì)將邊界效應(yīng)引入到樣本中，這樣會(huì)降低濾波器的判別能力。所以SRDCF[ 14]在核相關(guān)濾波器的基礎(chǔ)上通過(guò)增加空間懲罰項(xiàng)抑制邊界效應(yīng)，但其為了解決在線更新問(wèn)題，在跟蹤過(guò)程中不得不使用過(guò)去的多幀樣本，增加了計(jì)算消耗。為了減少計(jì)算消耗，STRCF[18]在SRDCF的基礎(chǔ)上添加了時(shí)間正則項(xiàng)，跟蹤過(guò)程中只使用上一幀的信息，使STRCF的目標(biāo)函數(shù)是凸的，所求解的子問(wèn)題都有閉式解，故STRCF在大多數(shù)跟蹤序列上可以在較少的迭代次數(shù)內(nèi)收斂，在提高算法精度的同時(shí)，保證了速度。

STRCF的目標(biāo)函數(shù)[18]為

(1)

為求解(1)式，首先引入一個(gè)輔助變量g(f=g)和步長(zhǎng)γ，則(1)式的增廣拉格朗日形式可表述為

(2)

其中s、μ為拉格朗日系數(shù)以及正則化系數(shù)。

(3)

通過(guò)對(duì)(3)式部分的子問(wèn)題分開求解，得到濾波器Pt。

STRCF在兩個(gè)方面做了在線被動(dòng)攻擊算法(PA)[25]的延伸：1) STRCF不是分類器，而是線性回歸的在線學(xué)習(xí)；2) STRCF中的樣本在每一輪都是批處理級(jí)別(即圖像的所有移位樣本)。因此STRCF在積極模型學(xué)習(xí)和被動(dòng)模型學(xué)習(xí)之間自適應(yīng)平衡，使出現(xiàn)較大外觀變化下，模型依然具有很強(qiáng)的魯棒性。STRCF是多訓(xùn)練圖像上SRDCF形式的合理近似，也可用于同時(shí)進(jìn)行DCF學(xué)習(xí)和模型更新。

(4)

2 本文算法

針對(duì)STRCF在視覺跟蹤中所存在的相似背景干擾、快速運(yùn)動(dòng)模糊等情況下跟蹤失敗的問(wèn)題，本文基于STRCF跟蹤算法提出一種跟蹤與檢測(cè)結(jié)合的雙濾波器視覺跟蹤魯棒算法。如圖1所示，本文算法首先提取目標(biāo)的HOG和顏色信息特征，訓(xùn)練兩個(gè)濾波器分別進(jìn)行跟蹤與檢測(cè)；然后使用STRCF算法作為跟蹤濾波器，獲取當(dāng)前幀目標(biāo)響應(yīng)圖；最后，判斷其是否為多峰值情況，若是，使用核相關(guān)濾波器與多個(gè)峰值點(diǎn)即目標(biāo)潛在的位置逐一進(jìn)行匹配，得到響應(yīng)值；若不是，則不激活檢測(cè)機(jī)制；最后響應(yīng)值的最高點(diǎn)即為目標(biāo)的最終位置。算法通過(guò)利用兩個(gè)濾波器在跟蹤過(guò)程中的融合檢測(cè)機(jī)制，提高了跟蹤的成功率和準(zhǔn)確度。

圖1 融合多峰檢測(cè)的算法示意圖Fig.1 Schematic diagram of algorithm fused with multi-peak detection

2.1 融合多峰檢測(cè)的跟蹤器

2.1.1 基于STRCF的跟蹤響應(yīng)計(jì)算

在相關(guān)濾波跟蹤過(guò)程中，首先對(duì)大小為a×b的感興趣區(qū)域(ROI)進(jìn)行循環(huán)采樣，得到a×b個(gè)圖像樣本，之后提取圖像樣本的顏色特征和方向梯度直方圖(histogram of oriented gradient, HOG)特征作為訓(xùn)練濾波器的樣本XT，其中XT為一個(gè)循環(huán)矩陣。根據(jù)(2)式以及上一節(jié)對(duì)(3)式的求解，可以訓(xùn)練出濾波器PT。

本文以訓(xùn)練出的濾波器Pt做跟蹤器，在第t幀圖像中，基于上一幀目標(biāo)中心位置post-1和目標(biāo)大小以及背景區(qū)域填充Padding，可以得出ROI的中心位置post和搜索區(qū)域的大小，之后得到圖像塊S，對(duì)圖像塊S進(jìn)行HOG特征和顏色屬性特征的提取，得到特征xt，通過(guò)(6)式以及循環(huán)采樣，得到整張響應(yīng)圖Response map。如圖2所示。

Ft=f(xt;pt)

(6)

其中：t為幀數(shù)；pt為訓(xùn)練好的濾波器參數(shù)。

圖2 響應(yīng)圖獲取過(guò)程Fig.2 Response graph acquisition process

2.1.2 融合多峰提取和核相關(guān)濾波的檢測(cè)機(jī)制

文獻(xiàn)[16]提出了再檢測(cè)機(jī)制，當(dāng)跟蹤置信度小于該文提出的閾值時(shí)激活檢測(cè)模塊，然而該方法使其檢測(cè)性能過(guò)于依賴閾值的選取，因此本文使用融合多峰提取和核相關(guān)濾波的檢測(cè)機(jī)制。

對(duì)于現(xiàn)有的a×b個(gè)訓(xùn)練樣本，可以通過(guò)最小正則化風(fēng)險(xiǎn)訓(xùn)練一個(gè)分類濾波器作為檢測(cè)器。一個(gè)線性的分類濾波器通?？梢员硎緸?/p>

f(x)=δTx+ψ

(5)

其中：δ=(δ1,δ2,…,δn)T表示分類器參數(shù)；ψ表示預(yù)測(cè)值和真實(shí)值的偏差，通常服從標(biāo)準(zhǔn)正態(tài)分布ψ～N(0,σ2)。因此，本文使用樣本XT進(jìn)行檢測(cè)濾波器的訓(xùn)練，最終獲得檢測(cè)濾波器δT。

在第t幀的跟蹤過(guò)程中，本文利用跟蹤濾波器PT與當(dāng)前幀圖像特征進(jìn)行相關(guān)計(jì)算，得到響應(yīng)圖。但由于背景干擾、目標(biāo)運(yùn)動(dòng)模糊等因素，響應(yīng)圖可能出現(xiàn)多個(gè)峰值，而最高峰值有可能不是目標(biāo)的真實(shí)位置[17]。如圖3所示：圖3(a)、(c)表示當(dāng)前幀圖像，當(dāng)前幀圖像中的綠色框?yàn)楦櫧Y(jié)果，黃色框?yàn)槟繕?biāo)的真實(shí)位置；圖3(b)、(d)表示當(dāng)前幀通過(guò)STRCF相關(guān)計(jì)算得到的響應(yīng)圖，響應(yīng)圖為多個(gè)峰值的情況。圖3中綠色虛線表示跟蹤結(jié)果與響應(yīng)圖最高峰對(duì)應(yīng)，紅色虛線表示真實(shí)目標(biāo)位置在響應(yīng)圖中對(duì)應(yīng)位置，由此可見多峰響應(yīng)中很可能出現(xiàn)最高點(diǎn)不是目標(biāo)的情況(彩圖見電子版)。

圖3 多峰情況的響應(yīng)圖與原圖像關(guān)系Fig.3 Relationship between response diagram of multi-peak case and original image

針對(duì)上述多峰問(wèn)題，本文提出在得到響應(yīng)圖后引入一種檢測(cè)機(jī)制，當(dāng)響應(yīng)圖出現(xiàn)多個(gè)峰值的情況時(shí)，使用線性核相關(guān)濾波器(DCF)與多個(gè)峰值逐一計(jì)算響應(yīng)，進(jìn)一步確定目標(biāo)真實(shí)位置。首先對(duì)響應(yīng)圖矩陣進(jìn)行遍歷搜索并結(jié)合(7)式提取多個(gè)峰值點(diǎn)。設(shè)置閾值υ，當(dāng)峰值fmn大于fmax·υ時(shí)，保留其峰值。當(dāng)峰值fmn小于fmax·υ時(shí)，其響應(yīng)值置為0，保留下來(lái)的幾個(gè)峰值才具有研究意義，即這些峰值中可能存在目標(biāo)真實(shí)位置。

(7)

其中(m,n)為響應(yīng)圖fT中的元素位置。

對(duì)于保留下來(lái)的多個(gè)峰值點(diǎn)fmn，使用訓(xùn)練好的檢測(cè)濾波器δT對(duì)這些位置進(jìn)行檢測(cè)，取得各個(gè)峰值點(diǎn)對(duì)應(yīng)的響應(yīng)值，最終取其中最大值為檢測(cè)響應(yīng)值。當(dāng)檢測(cè)響應(yīng)值大于原響應(yīng)值時(shí)，經(jīng)過(guò)檢測(cè)所得響應(yīng)點(diǎn)為可信賴響應(yīng)，否則使用原響應(yīng)點(diǎn)。最終，通過(guò)響應(yīng)點(diǎn)的值計(jì)算得到目標(biāo)位置。

2.2 模型更新策略

相關(guān)濾波算法中，模型更新策略的選擇對(duì)算法跟蹤性能影響很大。在實(shí)際跟蹤過(guò)程中，存在長(zhǎng)時(shí)間誤差積累及目標(biāo)形狀、顏色變化等因素，難免會(huì)出現(xiàn)跟蹤失敗問(wèn)題。當(dāng)出現(xiàn)跟蹤失敗情況時(shí)，使用失敗的跟蹤結(jié)果更新模板，更加容易出現(xiàn)跟蹤漂移問(wèn)題。

針對(duì)上述模型更新問(wèn)題，本文在保證跟蹤速度的同時(shí)引入了一種有效的模型更新策略，通過(guò)已獲得信息對(duì)跟蹤是否出現(xiàn)錯(cuò)誤做判斷。計(jì)算平均峰值相關(guān)能量(APCE)，該指標(biāo)可反映出響應(yīng)圖峰值水平和響應(yīng)波動(dòng)程度，該指標(biāo)按(8)式[20]計(jì)算：

(8)

其中：fmin、fmax分別代表響應(yīng)圖的最小值、最大值；F為當(dāng)前響應(yīng)圖。APCE可以表示響應(yīng)圖峰值水平和響應(yīng)波動(dòng)程度。當(dāng)峰值起伏越小，APCE會(huì)越大。當(dāng)目標(biāo)被完全遮擋或者跟蹤錯(cuò)誤時(shí)，APCE值將急劇下降。

跟蹤濾波器參數(shù)保持原有的更新策略，檢測(cè)濾波器只在APCE高于閾值時(shí)進(jìn)行更新，為減少目標(biāo)快速運(yùn)動(dòng)所造成的運(yùn)動(dòng)模糊、噪聲干擾以及遮擋等因素影響，檢測(cè)器采用線性插值法進(jìn)行更新，即在第t幀時(shí)，檢測(cè)濾波器的模型更新表示為

(9)

2.3 算法流程

綜合上述，本文算法流程如表1所示。

3 實(shí)驗(yàn)結(jié)果

為充分驗(yàn)證本文算法的有效性，采用MATLAB 2016a進(jìn)行編程實(shí)現(xiàn)。將本文算法在Intel(R)core(TM)i5-8400 2.8 GHz處理器上進(jìn)行測(cè)試。實(shí)驗(yàn)參數(shù)設(shè)置如下：目標(biāo)的搜索窗口為4.52倍目標(biāo)大小，懲罰因子ρ=0.05，多峰提取閾值μ=0.75，檢響應(yīng)值閾值λ=0.8，尺度池為S={1.03,1.02,1.01,1,0.99,0.98,0.97},高斯核帶寬σ=1，參數(shù)均經(jīng)過(guò)大量實(shí)驗(yàn)得出效果較好的經(jīng)驗(yàn)值。本文算法實(shí)驗(yàn)參數(shù)均保持固定不變。

利用OTB-2015數(shù)據(jù)集[20]測(cè)試本文算法，其中共有100組視頻序列。為了更充分說(shuō)明本文算法的有效性，本文算法與8種流行算法進(jìn)行比較：STRCF(spatial-temporal regularized correlation filters)[18]、Staple(complementary learners)[26]、Siamese FC(fully-convolutional siamese networks)[27]、MEEM(multiple experts using entropy minimization)[28]、KCF(kernelized correlation filters)[16]、SAMF(scale adaptive kernel correlation Filter)[29]、MCPF(multi-task correlation filter)[30]、HCF(hierarchical convolutional features)[23]。其中STRCF、Staple、KCF、SAMF、MCPF、HCF和SiameseFC為基于深度學(xué)習(xí)的跟蹤算法；MEEM加入了模板更新策略。

3.1 OTB100實(shí)驗(yàn)

3.1.1 定性分析

1) 尺度變化。尺度變化是目標(biāo)跟蹤中常見問(wèn)題，目標(biāo)尺度的變化致使固定大小的跟蹤框無(wú)法取得完整目標(biāo)，影響跟蹤結(jié)果甚至丟失目標(biāo)，如圖4所示，在“Board”、“Lemming”這2組視頻中，目標(biāo)均有一定程度的尺度變化，SAMF、STRCF等算法都具有尺度適應(yīng)能力可以有效地跟蹤目標(biāo)。針對(duì)尺度變化的目標(biāo)，目標(biāo)顏色屬性信息對(duì)于跟蹤過(guò)程中尺度估計(jì)具有重要作用，本文算法采用尺度估計(jì)模塊并融合顏色信息特征，故能夠適應(yīng)目標(biāo)的尺度變化。

2) 光照變化。光照變化常使得目標(biāo)的顏色屬性信息發(fā)生變化，因此跟蹤可能出現(xiàn)丟失和誤差。如圖4所示，以“Singer”和“Matirx”為例，視頻序列里背景光照發(fā)生劇烈變化，因而要求算法對(duì)于顏色信息劇烈變化有較強(qiáng)的魯棒性。

3) 目標(biāo)形變。目標(biāo)的表觀改變會(huì)使當(dāng)前幀特征信息與模板匹配的程度下降，在一定程度上增加跟蹤難度。如圖4所示，以“Diving”和“MotorRolling”為例，目標(biāo)的外形發(fā)生明顯變化。本文算法跟蹤特征中包含了多個(gè)特征的融合以及多峰檢測(cè)模塊，使算法可以較好地跟蹤目標(biāo)。

4) 目標(biāo)快速運(yùn)動(dòng)?？焖龠\(yùn)動(dòng)常導(dǎo)致目標(biāo)圖像模糊，跟蹤算法難以取得目標(biāo)特征信息，使得跟蹤難以準(zhǔn)確進(jìn)行。如圖4所示，以“Basketball”和“Matrix”為例，當(dāng)目標(biāo)快速運(yùn)動(dòng)時(shí)，部分算法的跟蹤尺度和跟蹤準(zhǔn)確性出現(xiàn)偏差，本文由于引入檢測(cè)機(jī)制，故而對(duì)目標(biāo)位置的估計(jì)具有良好的穩(wěn)健性。

5) 目標(biāo)遮擋。目標(biāo)被遮擋問(wèn)題讓跟蹤算法不能完全獲取目標(biāo)信息甚至獲取錯(cuò)誤信息污染模板，致使跟蹤漂移。如圖4所示，以“Skating”和“Lemming”為例，針對(duì)目標(biāo)遮擋和跟錯(cuò)目標(biāo)問(wèn)題，本文算法提出更新策略進(jìn)行判斷，避免劣質(zhì)樣本對(duì)好模板的污染，因此本文算法對(duì)目標(biāo)遮擋問(wèn)題有較好的魯棒性，能準(zhǔn)確跟蹤目標(biāo)。

3.1.2 定量分析

為綜合評(píng)價(jià)本文算法對(duì)于所有測(cè)試視頻的跟蹤性能，對(duì)OTB2015的100組測(cè)試視頻進(jìn)行分析。表2、表3分別列出了11種不同屬性的跟蹤序列里算法的跟蹤精度和成功率。表格第1行代表了不同屬性的縮寫，括號(hào)里為該屬性視頻序列的個(gè)數(shù)，第1列為進(jìn)行測(cè)試的算法名稱，表格里的數(shù)據(jù)是不同算法在不同屬性的視頻序列下的精確度和成功率，其中同一屬性下最優(yōu)算法由加粗的形式表示，次優(yōu)算法結(jié)果由實(shí)下劃線表示。11種屬性分別為：尺度變化(SV)、離面旋轉(zhuǎn)(OPR)、平面內(nèi)旋轉(zhuǎn)(IPR)、遮擋(OCC)、目標(biāo)形變(DEF)、快速運(yùn)動(dòng)(FM)、光照變化(IV)、背景變化(BC)、運(yùn)動(dòng)模糊(MB)、目標(biāo)超出視野(OV)、低分辨率(LR)。

表2 不同屬性下算法的跟蹤成功率對(duì)比結(jié)果

表3 不同屬性下算法的精確度對(duì)比結(jié)果

圖5 OTB100測(cè)試視頻結(jié)果(彩圖見網(wǎng)上)Fig.5 OTB100 testing video results(colour online)

由表2和表3可知，本文算法對(duì)各種屬性視頻的跟蹤精度和成功率均為前列。另外，從圖5可以看到，本文算法對(duì)100組視頻序列整體跟蹤進(jìn)度以及成功率均優(yōu)于其他算法。與原始算法STRCF相比，本文算法在精確率上有1.5%的提升，在成功率上有1.1%的提升，而且本文算法速度為14.96 fps，相較于STRCF算法的跟蹤速度16.78 fps，沒(méi)有明顯下降。由此表明，對(duì)于各種屬性的視頻序列，以及100組視頻整體而言，本文算法均有很好的跟蹤性能。

3.2 Temple color 128實(shí)驗(yàn)

本文算法在Temple color 128數(shù)據(jù)集上與C-COT[24]、STRCF[15]、MCPF[30]、DeepSRDCF[14]、MEEM[28]、CF2[31]、Struck[32]和KCF[16]算法做對(duì)比實(shí)驗(yàn)。如圖6所示(彩圖見網(wǎng)上)，本文算法在Temple color 128數(shù)據(jù)集上表現(xiàn)較優(yōu)，與STRCF算法相比，跟蹤平均成功率和平均精度均有提高，因此本文提出的融合檢測(cè)的算法可有效提高算法精度和成功率。

圖6 Temple color 128測(cè)試視頻結(jié)果Fig.6 Temple color 128 testing video results

3.3 VOT2016 實(shí)驗(yàn)

本文算法在VOT2016數(shù)據(jù)集上與C-COT[24]、STRCF[15]、DSST[33]、DeepSRDCF[14]、SiamRPN[34]、Staple[26]、Struck[32]和KCF[16]算法做對(duì)比實(shí)驗(yàn)。如圖7所示(彩圖見網(wǎng)上)，本文算法在VOT2016數(shù)據(jù)集上表現(xiàn)較優(yōu)，與STRCF算法相比，平均重疊率有提升，因此本文提出的融合檢測(cè)的算法可有效提高算法性能。

圖7 VOT2016 測(cè)試視頻的平均重疊率Fig.7 Average overlap rate of VOT2016 testing videos

4 結(jié)論

本文在STRCF算法的基礎(chǔ)上提出了一種融合濾波檢測(cè)的跟蹤算法。該算法使用STRCF跟蹤濾波器進(jìn)行跟蹤，并在跟蹤結(jié)果處加入了檢測(cè)機(jī)制，將檢測(cè)與跟蹤相融合，提高了算法的精度。同時(shí)，為了保證跟蹤速度，基于平均峰值相關(guān)能量判斷目標(biāo)跟蹤結(jié)果，選擇性的對(duì)模板進(jìn)行更新，一定程度上保證了跟蹤速度。實(shí)驗(yàn)結(jié)果表明，在復(fù)雜跟蹤環(huán)境下，本文算法能夠準(zhǔn)確跟蹤目標(biāo)，在運(yùn)動(dòng)模糊、相似背景等視頻序列上有較大的提高，同時(shí)速度沒(méi)有嚴(yán)重影響。在實(shí)驗(yàn)中還發(fā)現(xiàn)，當(dāng)目標(biāo)出現(xiàn)嚴(yán)重形變時(shí)，本文算法容易出現(xiàn)跟蹤丟失、漂移的情況。為解決這一問(wèn)題，在下一步工作中，考慮結(jié)合深度特征，以此提高跟蹤器對(duì)于目標(biāo)形變的魯棒性。