基于局部特征自適應加權的目標跟蹤

◆李紅江

(遼寧大學信息學院 遼寧 110000)

0 引言

視覺跟蹤在無人機、無人駕駛汽車等領域有著廣泛的應用。但視覺跟蹤需要處理的問題也相當復雜，如運動目標快速運動、物體的遮擋等都是重要的干擾因素。

隨著神經網絡的出現，跟蹤的算法變得更加完善，使用卷積神經網絡（CNN）對樣本特征進行提取[1][4]，充分利用樣本特征，使跟蹤過程中目標匹配的準確率得到很大的改善，但對于目標遮擋情況，線神經網絡跟蹤模型則略顯無力。

本文提出了一種基于局部特征的自適應加權的目標跟蹤算法，將跟蹤目標進行網格化，利用CNN充分提取每一塊的特征，引入距離轉化池化層估計輸入特征的可靠性，增加一個全連接層得到局部自適應加權的CNN跟蹤模型；選用OTB-100數據集進行試驗，選取當前比較有影響力的算法進行比較。

1 相關工作

本文主要重點如下：

（1）將目標進行網格化。

（2）使用神經網絡提取目標局部的深度特征，并訓練局部自適應加權的目標跟蹤模型。

（3）對于局部遮擋和快速運動，使用卡爾曼濾波對目標進行預測[2][3]。

2 算法實現

本文采用M=m×m的網格方式對目標網格化，并且給網格建立對應的索引

本文使用具有空間正則核的CNN框架，該框架包含兩個卷積層、ReLu層、池化層和響應函數。輸入W×H×C圖像塊，其中,W和H分別為寬和高，C是信道數。卷積層1的卷積核大小為5×5，輸出大小為W×H×C1的特征圖。卷積層2的卷積核大小為3×3，輸出W×H×C1響應圖。在ReLu層，將響應圖劃分為C1/4組，并對每個通道的每個組的特征圖進行對應求和，每組輸出為W×H×1的特征圖。最后，將得到的特征圖輸入到距離變換池化層，并將最終得到的特征通過響應函數確定目標的位置。

2.1 卷積層的改進

2.2 距離轉換池化層

2.3 基于局部特征自適應加權的CNN跟蹤模型

本文使用網格化目標充分利用目標的局部特征來協助目標的跟蹤。由2.1部分得出跟蹤目標的局部響應函數目標的不同部位在跟蹤過程中有不同的影響。因此，在神經網絡最后一層增加一個連接層，訓練出一個自適應的權重向量具體設計如下：

圖 1 局部自適應加權結構圖

則局部特征自適應加權的目標函數模型為：

本文使用的優化算法是隨機梯度下降算法，并且使用Kalman濾波預測結合模型匹配處理目標的快速運動以及目標完全遮擋問題?？焖龠\動的目標導致兩幀之間距離變化較大，因此，Kalman濾波根據目標初始狀態的初始位置參照目標的運動速度、加速度以及外界干擾因素，預測出目標在t+1幀中的位置并在寬為高為的范圍內，使用跟蹤模型進行目標搜索匹配，大大減小匹配時間。

3 實驗結果分析及比較

本文采用OTB-100數據集進行試驗。在數據集上，將本文跟蹤算法與其他性能比較好的近兩年的四種跟蹤算法進行比較。

跟蹤結果用不同數字框標注：ours：1、LSART：2、ECO：3、SRDCF：4、KCF：5。

圖2 局部遮擋效果圖

圖2展示了跟蹤算法之間在局部遮擋問題上的對比結果。結果表明了本文的跟蹤算法在跟蹤過程中效果更準確。在目標大部分區域被遮擋后，而LSART能繼續跟蹤，但是跟蹤結果會慢慢漂移，并且準確度沒有本文算法高。針對跟蹤的全局遮擋問題，圖3展示了本文跟蹤算法能很好地處理遮擋問題。目標在受到物體遮擋時，其他四種算法將會跟丟，最終停留在遮擋物體上。而本文結合Kalman濾波，在預測范圍內進行滑動窗口搜索，并與本結合的跟蹤模型進行匹配，以確定目標位置。

實驗表明，本文改進的跟蹤算法有著較好的跟蹤效果。

圖3 全部遮擋效果圖

4 結論

本文提出的一種基于局部自適應加權的目標跟蹤模型，對目標進行網格化利用局部特征，訓練成局部的CNN模型，增加連接層訓練出局部自適應權重模型，實驗表明該模型可以很好地處理局部遮擋問題。本文使用Kalman濾波跟蹤算法處理全局遮擋，再結合跟蹤模型在一定范圍內進行搜索匹配。實驗表明，該算法能很好地處理快速運動與全部遮擋問題。