基于相關(guān)濾波與顏色概率模型的目標(biāo)跟蹤算法

張 杰，常天慶，戴文君，郭理彬，張 雷

（陸軍裝甲兵學(xué)院兵器與控制系，北京 100072）

（?通信作者電子郵箱zjwhy_8@163.com）

0 引言

目標(biāo)跟蹤作為計算機視覺的重要部分，近十年來取得了顯著的發(fā)展，目前已經(jīng)在視頻監(jiān)控，智能交通，軍事應(yīng)用和人機交互等方面廣泛應(yīng)用［1］。但是目標(biāo)跟蹤仍面臨著許多挑戰(zhàn)，目標(biāo)形變、目標(biāo)遮擋、復(fù)雜背景干擾和目標(biāo)快速運動等因素對跟蹤器性能提出了更高的要求［2］。

目標(biāo)跟蹤的任務(wù)是通過第一幀給的目標(biāo)初始位置信息，通過一系列算法在后續(xù)的視頻序列中估計出目標(biāo)的位置［3］。基于判別式框架的相關(guān)濾波跟蹤算法通過構(gòu)建嶺回歸方程求解閉式解得到濾波器，濾波器與待檢測區(qū)域通過相關(guān)運算得到目標(biāo)響應(yīng)，根據(jù)最大響應(yīng)位置確定目標(biāo)在下一幀序列中的位置。由于相關(guān)濾波通過傅里葉變換將空域中的相關(guān)運算轉(zhuǎn)換成頻域中元素的點乘運算，極大地減少了運算量，將跟蹤速度提升到每秒數(shù)百幀，滿足了跟蹤器實時性的要求，受到廣大研究者的重視與關(guān)注。2010 年提出的誤差最小平方和（Minimum Output Sum of Squared Error，MOSSE）方法［4］首次將相關(guān)濾波應(yīng)用于目標(biāo)跟蹤，以灰度特征作為輸入的MOSSE 算法跟蹤速度達到了669 frame/s，為后續(xù)相關(guān)濾波的發(fā)展奠定了堅實的基礎(chǔ)。核循環(huán)結(jié)構(gòu)濾波器（Circulant Structure of tracking-by-detection filters with Kernels，CSK）［5］和核相關(guān)濾波器（Kernelized Correlation Filters，KCF）［6］利用循環(huán)矩陣實現(xiàn)了稠密采樣，通過引入核函數(shù)將樣本從低維空間映射到高維空間，求出一個閉式解。同時KCF 利用31維的方向梯度直方圖（Histogram of Oriented Gradient，HOG）特征表示圖像，將輸入圖像特征拓展到多通道，有力地提高了跟蹤器的性能［6］。Danelljan 等［7］在CSK 算法的基礎(chǔ)上提出了基于自適應(yīng)顏色屬性的實時視覺跟蹤算法CN（Color Name），該算法將RBG 三通道顏色特征細分為11 種顏色特征，通過主成分分析法（Principal Component Analysis，PCA）對顏色特征進行降維，選取當(dāng)前幀中比較顯著的兩種顏色特征用于跟蹤，提高了在復(fù)雜背景下跟蹤器的性能。基于判別式尺度空間跟蹤（Discriminative Scale Space Tracking，DSST）［8］在相關(guān)濾波的基礎(chǔ)上增加了一個一維的尺度相關(guān)濾波器，同時實現(xiàn)了目標(biāo)定位和尺度估計。為了避免循環(huán)矩陣生成多樣化樣本帶來的邊界效應(yīng)的影響，Danelljan 等［9］提出了考慮空間位置信息的SRDCF（Spatially Regularized Discriminative Correlation Filters）算法，在目標(biāo)函數(shù)中將正則項改為具有有空間位置懲罰的正則項，抑制了邊界特征對目標(biāo)位置估計的影響，由于正則化項的改變破壞標(biāo)準(zhǔn)方程的矩陣塊結(jié)構(gòu)，通過迭代使用Gauss-Seidel進行求解，使得計算量增加，跟蹤速度只有4 frame/s，不能滿足跟蹤實時性的要求。Bertinetto等［10］提出了一種將相關(guān)濾波器與顏色直方圖跟蹤器相結(jié)合的方法，通過求解兩個獨立的嶺回歸方程分別得到相關(guān)濾波器與顏色直方圖跟蹤器的響應(yīng)，通過線性組合的方式將兩跟蹤器響應(yīng)進行融合，根據(jù)融合后最大響應(yīng)位置估計出目標(biāo)位置，跟蹤速度達到80 frame/s。胡秀華等［11］通過引入空間上下文結(jié)構(gòu)約束對模型進行優(yōu)化，在目標(biāo)函數(shù)中添加懲罰項抑制干擾背景和目標(biāo)周圍圖像塊的響應(yīng)。

針對地面戰(zhàn)場相似背景的干擾，本文利用前景直方圖和背景直方圖差異較大的顏色部分提出了一種突出前景的顏色概率模型。在求解顏色響應(yīng)時強化前景與背景差異較大的顏色，實現(xiàn)降低相似背景對顏色概率模型跟蹤器的干擾。基于顏色概率模型的跟蹤器估計目標(biāo)位置精度較低，相關(guān)濾波器響應(yīng)置信度較高時目標(biāo)位置估計較為準(zhǔn)確。為提高基于顏色概率模型跟蹤器的跟蹤精度，本文根據(jù)當(dāng)前幀中每一像素與相關(guān)濾波跟蹤器估計的目標(biāo)位置的空間距離生成懲罰系數(shù)，通過該系數(shù)抑制與相關(guān)濾波跟蹤器估計的目標(biāo)位置較遠的像素屬于目標(biāo)的似然概率。最后以線性組合的方式將相關(guān)濾波跟蹤器響應(yīng)和基于顏色概率模型跟蹤器響應(yīng)進行融合，根據(jù)融合響應(yīng)圖估計出目標(biāo)位置。

1 算法描述

本文算法主要分為4 個階段：1）由相關(guān)濾波器和突出前景的顏色概率模型分別得到相關(guān)濾波響應(yīng)圖和像素級似然概率圖；2）根據(jù)相關(guān)濾波響應(yīng)置信度求出顏色概率模型響應(yīng)圖；3）響應(yīng)圖融合；4）模型更新。算法整體框架如圖1所示。

圖1 本文算法總體框架示意圖Fig.1 Overall framework schematic diagram of proposed algorithm

1.1 相關(guān)濾波器

本文采用相關(guān)濾波器h由位置濾波器ht和尺度濾波器hs組成。在位置濾波器中，提取目標(biāo)及周圍區(qū)域的d維HOG 特征形成樣本f，通過最小化損失函數(shù)式（1）訓(xùn)練得到一個d維的相關(guān)濾波器h。

式中：?表示相關(guān)運算；hl和f l分別表示位置濾波器的第l通道和當(dāng)前幀在目標(biāo)及目標(biāo)周圍提取的第l通道HOG 梯度特征，l的取值范圍為l∈{1，2，…，d}；g是具有二維高斯形狀的理想相關(guān)輸出；λ為正則項系數(shù)，λ≥0。由文獻［8］可知，將式（1）轉(zhuǎn)換到傅里葉域可求得該嶺回歸方程的閉式解，即：

式中：Hl、G和Fl分別表示hl、g和f l的傅里葉變換；“—”表示復(fù)共軛。濾波器更新時，將第t幀的新樣本ft用于更新濾波器的分子和分母。為保證相關(guān)濾波器的魯棒性，以固定學(xué)習(xí)率ηcf更新得到濾波器的分子和分母。

在目標(biāo)檢測階段，用下一幀輸入圖像提取的梯度HOG 特征z與濾波器h進行相關(guān)運算求得響應(yīng)圖fcf，即：

式中，Z為z的傅里葉變換，根據(jù)響應(yīng)圖fcf的最大響應(yīng)位置估計出目標(biāo)在下一幀圖像中的位置。

尺度濾波器hs是一個大小為S的一維相關(guān)濾波器，在訓(xùn)練階段，對于每個，從當(dāng)前幀圖像的目標(biāo)中心周圍提取尺度大小為anP×anR的圖像塊Jn，P和R分別表示當(dāng)前幀中目標(biāo)的尺度，a為特征層之間的尺度因子。從不同大小的圖像塊Jn中提取d維HOG特征描述子作為訓(xùn)練樣本，構(gòu)造大小為S的一維高斯型期望輸出，使用式（2）的方法得到尺度濾波器hs。在估計下一幀目標(biāo)尺度時，以上一幀目標(biāo)位置為中心在下一幀圖像中提取不同尺度的圖像塊作為檢測樣本z，使用式（5）的方法計算尺度估計的響應(yīng)圖，根據(jù)響應(yīng)最大值位置得到目標(biāo)尺度估計值。根據(jù)式（3）和式（4）更新尺度濾波器hs。

本文借鑒文獻［12］中的平均峰值相關(guān)能量（Average Peak-to-Correlation Energy，APCE）判據(jù)和文獻［13］中的方法對位置相關(guān)濾波器的響應(yīng)圖置信度進行評價。置信度評價指標(biāo)為：

其中，CI={0，1}表示第t幀位置相關(guān)濾波器響應(yīng)置信度，當(dāng)CI=0 表示位置相關(guān)濾波器估計的目標(biāo)位置不可靠，CI=1表示位置相關(guān)濾波器估計的目標(biāo)位置可靠。APCE的計算方式為：

式中：ymax和ymin分別表示響應(yīng)峰值和最小響應(yīng)值；yw，h表示響應(yīng)圖(w，h)位置處的響應(yīng)值。APCE判據(jù)可以反映響應(yīng)圖的振蕩程度，當(dāng)目標(biāo)被遮擋或者目標(biāo)丟失時APCE和響應(yīng)圖峰值會減少。當(dāng)APCE和ymax滿足條件式（8）時，CI等于1，位置濾波器估計的目標(biāo)位置可靠。

式中：APCEt表示第t幀的平均峰值相關(guān)能量；(ymax)t表示第t幀最大響應(yīng)值。

1.2 突出前景的顏色概率模型

傳統(tǒng)的顏色概率模型分別統(tǒng)計前一幀前景目標(biāo)和背景的顏色直方圖，下一幀將目標(biāo)從背景S中分離出來時，采用基于顏色直方圖的貝葉斯分類器計算出輸入圖像I中像素x屬于前景區(qū)域O的似然概率［14］。計算式為：

式中，bx表示像素x所屬顏色區(qū)間。式（9）的簡化形式為：

式中：P(bx|x∈O) ≈(bx)/|O|和P(bx|x∈S) ≈(bx)/|S|分別表示像素x屬于前景區(qū)域O的先驗概率和像素x背景區(qū)域S的先驗概率，分別由前景直方圖和背景直方圖計算得到；(bx)和(bx)分別表示前景直方圖和背景直方圖中像素x所在直方柱的像素總數(shù)；|·|表示基數(shù)，即指定區(qū)域的像素總數(shù)。輸入圖像顏色特征為RGB，直方圖大小為32 × 32 × 32，某輸入圖像R 通道的前目標(biāo)直方圖和背景直方圖如圖2所示。

圖2 R通道直方圖Fig.2 Histogram of R channel

相似背景的干擾造成較多背景像素屬于前景的似然概率比較高，為了能夠準(zhǔn)確地將前景目標(biāo)從背景中分離出，前景與背景具有差異的顏色部分應(yīng)該得到加強。因此，在將前景目標(biāo)從背景中分離出的過程中，前景直方圖與背景直方圖差異較大的顏色分量應(yīng)該得到重視。在式（10）的基礎(chǔ)上得到突出前景的像素屬于前景目標(biāo)的似然概率為：

式中：ω為強化系數(shù)，控制著突出前景的程度；P(bx|x∈O) -P(bx|x∈S)表示歸一化后的前景顏色直方圖與歸一化后的背景直方圖的差，差值越大說明前景目標(biāo)直方圖與背景直方圖在像素x所在直方柱上差異越大，體現(xiàn)出與背景相比前景比較突出的顏色部分。為保證顏色概率模型的魯棒性，以固定學(xué)習(xí)率ηhist更新顏色概率模型，可得：

式中：P(x∈O|bx)t和P(x∈O|bx)t-1分別表示第t幀和第t-1幀像素x屬于前景目標(biāo)的似然概率。

1.3 基于空間懲罰的目標(biāo)似然概率

當(dāng)不存在相似背景干擾時，顏色概率模型求得的像素屬于前景目標(biāo)的似然概率圖如圖3（a）所示。由于地面戰(zhàn)場相似背景環(huán)境的干擾，實際上很難得到較理想的似然概率圖，通常在戰(zhàn)場環(huán)境下得到的像素屬于前景目標(biāo)的實際似然概率圖如圖3（b）所示。

圖3 似然概率圖Fig.3 Likelihood probability maps

由圖3（b）可知，坦克目標(biāo)周圍相似背景的干擾降低了顏色概率模型的判別能力。為了提高顏色概率模型跟蹤器在相似背景干擾下的跟蹤性能，將相關(guān)濾波跟蹤器估計的位置信息引入顏色概率模型。在檢測階段，對置信度CI進行判斷。當(dāng)CI值為1 時，根據(jù)當(dāng)前幀像素與相關(guān)濾波跟蹤器估計的目標(biāo)中心的空間距離生成空間懲罰系數(shù)矩陣W，懲罰相關(guān)濾波器判定為背景像素的似然概率。空間懲罰系數(shù)計算式為：

式中：(w，h)表示像素x在輸入圖像I中的空間位置坐標(biāo)；(w0，h0)表示檢測階段相關(guān)濾波跟蹤器估計的目標(biāo)中心坐標(biāo)；W和H分別表示輸入圖像I的寬和高；K為懲罰系數(shù)，控制著懲罰程度。得到帶有空間位置懲罰的目標(biāo)屬于前景目標(biāo)的似然概率為：

根據(jù)式（15）得到輸入圖像I帶有空間懲罰的像素級似然概率圖。

1.4 融合機制

若相關(guān)濾波響應(yīng)置信度CI=1，由式（15）得到的帶有空間懲罰的像素級似然概率圖作為最終像素級似然概率圖；若CI=0，由式（11）得到像素級似然概率圖作為最終像素級似然概率圖。在像素級似然概率圖上利用積分圖的方法得到顏色概率模型的響應(yīng)圖fhist，計算式為：

式中，Π(w，h)表示最終的像素級似然概率圖Pt中(w，h)處左上角所有像素似然概率之和。

式中：u為矩形框長度；v為矩形框?qū)挾取Ｍㄟ^線性加權(quán)的方式融合相關(guān)濾波器響應(yīng)圖fcf和顏色概率模型得到的響應(yīng)圖fhist。

式中，γ表示融合系數(shù)，融合響應(yīng)圖f(x)最大值處為當(dāng)前幀估計目標(biāo)位置。以2.4節(jié)中的視頻1為例，跟蹤過程中相關(guān)參數(shù)變化情況如圖4所示

圖5 給出了相關(guān)濾波器和顏色概率模型確定的跟蹤軌跡，以及經(jīng)過融合后的跟蹤軌跡。

1.5 算法流程

本文算法流程如下：

步驟1 提取當(dāng)前幀輸入圖像特征形成訓(xùn)練樣本f，訓(xùn)練得到位置濾波器ht和尺度濾波器hs，具體計算方法參見式（1）～（2）。

圖4 不同時刻參數(shù)變化情況Fig.4 Variation of parameters at different times

圖5 跟蹤軌跡Fig.5 Tracking trajectory

步驟2 計算輸入圖像的前景目標(biāo)直方圖和背景直方圖，得到突出前景目標(biāo)的像素似然概率圖，具體計算方法參見式（9）～（13）。

步驟3 提取下一幀輸入圖像特征形成檢測樣本z，由相關(guān)運算得到相關(guān)濾波器響應(yīng)圖，具體計算方法參見式（5）。

步驟4 對位置濾波器得到的響應(yīng)進行置信度判斷，具體計算方法參見式（6）～（8）。

a）如果位置濾波器得到的響應(yīng)置信度CI等于1，則位置濾波器得到的響應(yīng)可靠。根據(jù)最大響應(yīng)位置(w0，h0)生成空間懲罰系數(shù)矩陣W，空間懲罰系數(shù)W(w，h)與突出前景目標(biāo)的像素級似然概率P'相乘，實現(xiàn)懲罰與最大響應(yīng)位置(w0，h0)距離較遠像素的似然概率，得到帶有空間位置懲罰的像素級似然概率P"。具體計算方法參見式（14）～（15）。

b）如果位置濾波器得到的響應(yīng)置信度CI等于0，則位置濾波器得到的響應(yīng)不可靠。將突出前景目標(biāo)的像素級似然概率P'作為顏色概率模型得到的像素級似然概率，即P"=P'。

步驟5 對步驟4 中得到的像素級似然概率圖利用積分圖的方式得到顏色概率模型的響應(yīng)圖。最后通過線性加權(quán)的方式融合相關(guān)濾波器響應(yīng)圖和顏色概率模型響應(yīng)圖，得到最終的融合響應(yīng)圖f(x)，根據(jù)f(x)最大響應(yīng)位置估計出目標(biāo)位置。具體計算參見式（16）～（18）。

步驟6 模型更新。根據(jù)估計的目標(biāo)位置，根據(jù)式（1）～（2）訓(xùn)練位置濾波器ht和尺度濾波器hs，根據(jù)式（3）～（4）更新位置濾波器ht和尺度濾波器hs，根據(jù)式（13）更新顏色概率模型。

步驟7 對下一幀輸入圖像執(zhí)行步驟3～步驟6。

2 實驗與結(jié)果分析

采用文獻［15］提出的一次性通過評估（One-Pass Evaluation，OPE）方法對OTB-100［16］標(biāo)準(zhǔn)數(shù)據(jù)集的100 段視頻進行測試，與當(dāng)前5 種具有高跟蹤實時性的主流算法進行比較，包括CSK［5］、KCF［6］、DSST［8］、SAMF（Scale Adaptive Multiple Feature）［17］、Staple［10］，并對36 段戰(zhàn)場視頻序列進行測試，驗證算法在戰(zhàn)場環(huán)境下的跟蹤性能

2.1 實驗環(huán)境及參數(shù)

本文算法的實現(xiàn)環(huán)境為Matlab 2018a，CPU 為i5-4210M（主頻2.6 GHz），內(nèi)存為8 GB。相關(guān)濾波器的正則項系數(shù)λ=0.001，學(xué)習(xí)率ηcf=0.01，使用細胞大小為4 × 4 的HOG 特征，尺度因子a=1.02，尺度數(shù)量S=33，τ=0.45，?=0.7。顏色概率模型的學(xué)習(xí)率ηhist=0.04，強化系數(shù)ω=9.5，懲罰系數(shù)K=6，融合系數(shù)γ=0.7，固定區(qū)域大小為150 × 150。

2.2 評價指標(biāo)

本文采用的評價指標(biāo)為中心位置誤差（Center Location Error，CLE）、距離精度（Distance Precision，DP）、成功率（Success Rate，SR）和速度。中心位置誤差（CLE）表示估計目標(biāo)中心(wT，hT)和標(biāo)注目標(biāo)中心(wG，hG)之間的歐氏距離，即：

距離精度（DP）表示中心位置誤差（CLE）小于等于閾值像素T0（本文選取為20 個像素）的幀數(shù)占視頻序列總幀數(shù)的百分比，即：

式中：mDP表示中心位置誤差小于等于閾值的幀數(shù)；m表示視頻序列總幀數(shù)。成功率（SR）表示估計跟蹤框與標(biāo)注跟蹤框的重疊率大于等于閾值T1（本文為0.5）的幀數(shù)占視頻序列總幀數(shù)的百分比，重疊率大于閾值表示跟蹤成功，取成功率的曲線下面積（Area Under the Curve，AUC）為對比值，即：

式中：re表示跟蹤器估計的目標(biāo)框；rg表示標(biāo)注的目標(biāo)框；mSR表示重疊率大于等于閾值T1的幀數(shù)。

2.3 基于OTB-100標(biāo)準(zhǔn)數(shù)據(jù)集的跟蹤結(jié)果分析

在OTB-100［14］標(biāo)準(zhǔn)數(shù)據(jù)集上將本文算法（Ours）與5 種具有跟蹤實時性的主流算法（CSK、KCF、DSST、SAMF、Staple）進行比較，采用OPE 方法對跟蹤器性能進行比較。OTB 標(biāo)準(zhǔn)數(shù)據(jù)集主要采用距離精度（DP）和成功率（SR）指標(biāo)對跟蹤算法的性能進行評價。6 種算法的距離精度曲線圖和成功率曲線如圖6所示，不同屬性場景下6種算法的整體精度曲線和成功率曲線如圖7所示。

圖6 OTB-100標(biāo)準(zhǔn)數(shù)據(jù)集上6種算法的距離精度曲線和成功率曲線。Fig.6 Curves of distance precision and success rate of six algorithms on OTB-100 standard dataset

由圖6 可知，本文所提算法的總體距離精度和成功率排名第一，與第二名Staple 和第三名SAMF 相比，整體精度分別提高了3.06%和5.2%，成功率分別提高了2.24%和5.15%。由圖7（a）可知，在背景干擾（Background Clutters，BC）情況下，本文所提算法的精度和成功率相較第二名Staple 分別提高了10.28%和8.3%，表明本文算法在相似背景干擾下具有更好的跟蹤性能。并且本文所提算法在運動模糊、光照變化和快速運動等情況下，精度和成功率較其他5 種算法均有較大提高。表1 對比了本文所提算法與其他5 種算法的平均跟蹤速度。由表1可知，本文所提算法跟蹤速度達到52 frame/s，略低于Staple 算法，高于DSST 與SAMF，能夠滿足跟蹤實時性的要求。

2.4 基于戰(zhàn)場視頻序列的跟蹤結(jié)果分析

為驗證本文算法在地面戰(zhàn)場環(huán)境下的跟蹤性能，本文選取自行標(biāo)注的36 段目標(biāo)在野外地面環(huán)境下運動的視頻序列，目標(biāo)類型涉及裝甲裝備搶修車、越野車、步兵戰(zhàn)車和坦克等。采用一次性通過評估方法對本文算法在內(nèi)的6 種算法進行對比，6種算法的整體距離精度曲線和成功率曲線如圖8所示。

由圖8 可知，本文算法的整體精度和成功率排名第一，與第2 名Staple 相比，整體距離精度和成功率分別提高了2.2%和3.01%，表明在野外戰(zhàn)場環(huán)境下，本文算法相較其他5 種實時性跟蹤算法具有更高的跟蹤精度，能夠為武器平臺提供更精確可靠的目標(biāo)位置信息，提高對敵目標(biāo)火力打擊精度。

表1 6種算法的平均跟蹤速度單位：frame/sTab.1 Average tracking speed of six algorithms unit：frame/s

為了更好地說明本文算法在復(fù)雜戰(zhàn)場環(huán)境下的跟蹤性能，選取4 段典型戰(zhàn)場視頻的跟蹤結(jié)果進行分析，圖9 分別給出了6 種算法在4 段戰(zhàn)場視頻下的距離精度曲線和成功率曲線，圖10 分別給出了6 種算法在4 段戰(zhàn)場視頻下的跟蹤結(jié)果，圖11分別給出了6種算法在4段戰(zhàn)場視頻下的跟蹤軌跡。

圖7 不同屬性場景的距離精度曲線和成功率曲線Fig.7 Curves of distance precision and success rate for different attribute scenes

圖8 在36段戰(zhàn)場視頻序列上6種算法的距離精度曲線和成功率曲線Fig.8 Curves of distance precision and success rate of six algorithms on 36 battlefield video sequences

視頻1 中的目標(biāo)為無人機在空中拍攝的運動坦克，由圖10（a）可知，相機的抖動（第64 幀和第110 幀）造成圖像模糊，分別造成CSK 算法和DSST 算法跟丟目標(biāo)，后由于相機的再次抖動，使得DSST 算法找回目標(biāo)。由圖9（a）可知，視頻1中本文算法的跟蹤精度排名第一，成功率排名第二。由圖9（b）、圖10（b）和圖11（b）可知，視頻2 中的目標(biāo)為一做簡單直線運動的吉普車，跟蹤目標(biāo)較為簡單，6 種算法均取得了較高的跟蹤精度和成功率，本文算法的跟蹤精度與成功率均為最高。視頻3 中的目標(biāo)為遠距離快速機動的坦克，坦克機動過程存在著相似背景與黃沙等惡劣環(huán)境的干擾，并且目標(biāo)存在尺度變化，存在極大的跟蹤挑戰(zhàn)性。由圖10（c）可知，黃沙的干擾（第14 幀）造成CSK 算法跟蹤失敗；目標(biāo)進行快速機動轉(zhuǎn)向且被部分遮擋（第198 幀和229 幀）造成SAMF、KCF 和DSST 先后跟蹤失敗；受相似背景顏色的干擾（第308 幀），Staple 算法出現(xiàn)跟蹤漂移，并最終跟蹤失敗。由圖10（c）和圖11（c）可知，在視頻3 中本文算法是唯一跟蹤成功的算法，跟蹤精度和成功率均為第一，坦克目標(biāo)在部分遮擋情況下做快速轉(zhuǎn)向機動造成跟蹤器更新目標(biāo)尺度不及時，使得6 種算法成功率均較低。由圖10（d）可知，視頻4 中的目標(biāo)為一運動的坦克，目標(biāo)在機動過程中受到樹木局部遮擋且尺度發(fā)生變化，導(dǎo)致KCF、DSST 和SAMF 出現(xiàn)跟蹤漂移，CSK 算法由于不能適應(yīng)目標(biāo)尺度的改變，只跟蹤到目標(biāo)的局部區(qū)域。由圖9（d）可知，在視頻4 中本文算法跟蹤精度與Staple 算法持平，但成功率略高于Staple，整體跟蹤效果略優(yōu)于Staple。

綜上所述，與5 種具有跟蹤實時性的算法相比，本文算法在復(fù)雜戰(zhàn)場環(huán)境下具有更優(yōu)異的跟蹤性能，說明本文突出前景和抑制相似背景干擾的策略取得了良好的跟蹤效果。

圖9 4段視頻的距離精度曲線與成功率曲線。Fig.9 Curves of distance precision and success rate of four videos

圖10 6種算法的跟蹤結(jié)果Fig.10 Tracking results of six algorithms

圖11 6種算法的跟蹤軌跡Fig.11 Tracking trajectories of six algorithms

3 結(jié)語

針對地面戰(zhàn)場中相似背景對跟蹤器的干擾，本文提出了基于相關(guān)濾波與顏色概率模型的戰(zhàn)場目標(biāo)跟蹤算法。該算法充分利用了目標(biāo)前景直方圖與背景直方圖的差異，得到了突出目標(biāo)前景的顏色概率模型；根據(jù)相關(guān)濾波器最大響應(yīng)位置和響應(yīng)置信度生成空間懲罰矩陣，懲罰顏色概率模型中相似背景像素屬于前景目標(biāo)的似然概率，通過積分圖的方法得到顏色概率模型的響應(yīng)圖；最后，通過線性組合的方式將相關(guān)濾波器響應(yīng)圖和顏色概率模型響應(yīng)圖進行融合，估計目標(biāo)最終位置。本文算法在OTB-100 標(biāo)準(zhǔn)數(shù)據(jù)集和36 段戰(zhàn)場視頻序列上均取得了較好的跟蹤效果，表明本文算法能夠較好地處理地面戰(zhàn)場上相似背景對跟蹤器的影響，具有較好的跟蹤性能，下一步將對相關(guān)濾波類跟蹤算法在地面平臺中的應(yīng)用展開研究。