智能車輛自動跟隨控制的目標跟蹤算法研究＊

王鋮 劉中姐 袁新枚 史書恒 李柏毅

（吉林大學，長春 130022）

主題詞：智能車自動跟隨 目標跟蹤 ECO算法 Camshift算法

1 前言

目標跟蹤技術是智能車輛實現自動跟隨控制和無人駕駛的核心技術之一，盡管目前大量文獻研究了運動目標跟蹤算法，但是在車載環境下，各種路況和車況因素引起的攝像頭不穩定、光照強度變化、背景干擾等問題導致傳統的目標跟蹤算法在一定程度上難以適應智能車實際行駛工況下的具體需要。

針對智能車自動駕駛狀態下的目標跟蹤，國內外學者開展了大量研究：Li 等[1]先用級聯分類器進行檢測，然后用Camshift算法結合濾波器實現了對目標的跟蹤；李志慧等[2]通過在線訓練相關濾波器和一維的尺度相關濾波器對尺度進行精細搜索，使算法更適應車載條件下的快速尺度變化；Xuan等[3]結合方向梯度直方圖（Histogram of Oriented Gradients，HOG）和支持向量機（Support Vector Machine，SVM）方法進行檢測，并通過特征點匹配估計距離，最后使用粒子濾波算法進行跟蹤。Henriques 等[4]用HOG 替換單通道灰度特征，并使用核函數對偶相關濾波進行運算，提出了快速且效果良好的核相關濾波（Kernel Correlation Filter，KCF）跟蹤算法，但在目標快速運動、目標變形或遮擋等情況下易丟失目標，導致跟蹤失敗。隨著機器學習的發展，Kalal等人[5]提出的單目標長時間跟蹤（Tracking Learning Detection，TLD）算法利用檢測模塊和學習模塊進行修正和再學習，提高了跟蹤算法的魯棒性，但存在跟蹤模塊準確性低產生跟蹤漂移、計算量大導致算法運行速度降低等問題，其后的學者相繼對TLD 算法進行了改進[6-7]。雖然以上算法為智能車自動跟隨目標追蹤提供了良好的借鑒，但是在一定程度上無法良好適應由車輛遠近光、路燈、建筑物陰影等因素造成的光照變化的影響，目標車輛行駛過程中的形變，以及相似背景和相似車型的干擾。

本文針對自動跟隨問題對跟蹤算法的具體要求，采用綜合Camshift 算法和ECO（Efficient Convolution Operators for Tracking）算法的改進算法作為目標跟蹤算法，在傳統Camshift算法的基礎上引入卡爾曼（Kalman）濾波預測機制，結合卡爾曼濾波的Camshift算法運行速度快，且對目標形變等環境干擾具有一定的魯棒性，ECO 算法對于模型更新策略的調整可避免相似背景的模型漂移問題，相關濾波的應用有利于排除光強變化的干擾，同時運行2 種算法進行跟蹤，利用算法可靠性評價響應狀態，建立觀測值選擇性更新機制獲取目標位置，并利用美國目標跟蹤基準（Object Tracking Benchmark，OTB）開放測試庫進行測試，驗證本文提出方法的有效性。

2 算法原理及應用

2.1 結合Kalman濾波的Camshift算法

Camshift 跟蹤算法是基于Meanshift 跟蹤算法的一種改進算法[8]。Camshift 跟蹤算法提取出源圖像的色調H特征后進行反向投影，在目標圖像中用顏色出現的概率代替像素值，得到表示圖像顏色概率分布情況的灰度圖像[9]。

對反向投影后得到的顏色概率分布圖進行迭代運算，直到找到概率分布的極值，確定目標位置[10]。視頻當前幀搜索窗口的尺寸和中心位置可以作為下一幀圖像進行運算的初始值，算法隨著目標大小變化自適應調整搜索窗口的大小、方向和位置，完成目標跟蹤[11]。

當系統被外界噪聲等因素干擾時，Kalman 濾波會根據前一幀目標的狀態對當前幀目標做出預判，實際上是通過線性擬合將兩種算法進行融合[12]：

式中，x(t)為目標在t時刻的預測位置；x(t|t-1)為卡爾曼濾波器的預測位置；Y為Camshift 算子的預測位置；α為比例因子，隨目標遮擋干擾程度的變化而變化。

本文通過巴氏距離d(H1,H2)對目標是否發生干擾進行判斷。設定閾值T=0.45，當d(H1,H2)＞T時，目標發生嚴重干擾，此時引入卡爾曼濾波[13]。d(H1,H2)的求解方式為[12]：

式中，H1、H2分別為第i幀預測模板和目標模板直方圖的顏色概率分布數據集；N為直方圖不同色調值的總數。

2.2 ECO算法

由于結合Kalman 濾波的Camshift 算法只使用色彩特征進行追蹤，抗干擾能力較差。為保證智能車目標跟蹤的準確性和穩定性，本文同時運行ECO算法。

ECO 算法是基于卷積神經網絡（Convolutional Neural Network，CNN）空間梯度計算與HOG特征識別技術，改進于連續卷積算子跟蹤器（Continuous Convolution Operator Tracker，C-COT）跟蹤算法[14]的濾波特征點跟蹤算法，在傳統判別相關濾波器（Discriminative Correlation Filter，DCF）的基礎上，Martin Danelljan[15]通過改進模型體量、訓練集體量和模型更新方式，提高了時間效率和空間效率，大幅降低了計算復雜度，從而提高了跟蹤效果。

對于模型體量的下降，ECO 算法提出了一種新的因式分解的卷積操作來減少DCF的參數。新的檢測函數為[15]：

式中，f=(f1,f2,…,fc)為多通道卷積濾波器；J{x}為樣本x插值特征層函數；P為D×C矩陣，每一行為一個維度的特征對應的C個濾波器的線性組合系數，需要在第1幀中進行學習；PT為線性降維后的矩陣。

在新的目標函數中加入對P的正則化后，通過高斯-牛頓（Guss-Newton）算法優化計算，可將模型大小從D維下降到C維。

對于訓練集體量的下降，ECO 算法通過簡化樣本x和目標輸出y的聯合概率分布p(x,y)將目標函數進一步完善為[15]：

2.2 按蚊50%吸血率測定 稱重法吸血曲線回歸分析顯示，在0～15 min范圍內吸血曲線呈現良好的線性回歸性（y=4.6558x-0.7595，R2=0.999 3）。回歸方程計算顯示，在饑餓處理條件下，按蚊完成50%最大吸血量（34.5%）的時間為7.8 min。

式中，ω為懲罰因子；L為分組數量。

簡化后再利用高斯混合模型（Gaussian Mixture Model，GMM）進行建模。訓練集從總量M下降到了L分組，減少了計算量，同時增加了樣本多樣性，使效果得到提升。

對于模型更新方式的改進，將模型更新步長由1幀調整為Ns，以節約時間，避免模型漂移。

2.3 觀測值選擇性更新機制

由于本文算法同時使用Camshift 算法和ECO 算法提供觀測數據和預測數據，在兩者差距不可忽略的情況下，會造成目標丟失。本文引入算法可靠性的思想，對兩者的數據進行評價與觀測值的選擇性更新。目標跟蹤的檢測計算響應是各模板分別響應的綜合體現，而不同模板的重要性和準確性不同，因此本文對每個模板進行加權處理，從而保證算法的可靠性。在自動跟隨的情況下，不同模板的加權系數由兩部分乘積構成，即離心可靠性和連續可靠性。

算法離心可靠性的直接測量是跟隨測量值x與屏幕中值x0的代數關系，離心穩定性系數ω1為：

式中，xi為第i幀的測量值；n為當前幀數；S1為設定的離心可靠性閾值。

當(xn-x0)＞S1時，將ω1設置為0，認為跟蹤失敗。

連續可靠性是基于度量測量值的連續性做出的可靠性估計，直觀來看，連續性越高，可靠性越強。連續可靠性系數ω2為：

將2算法的可靠性加權系數比較計算后，輸出綜合數據。當ECO 算法的可靠性加權系數優于Camshift 算法時，輸出ECO算法觀測結果。

2.4 綜合Camshift算法和ECO算法的改進算法

本文的改進算法軟件框架圖如圖1所示。

圖1 綜合Camshift算法和ECO算法的改進跟蹤算法軟件框架

3 試驗設計與結果分析

為驗證本文跟蹤算法在智能車目標跟蹤上的改進效果，在MATLAB軟件平臺上，使用美國OTB開放測試庫[16]的專業數據對本文改進算法、結合深度學習的TLD算法、傳統的KCF算法、基于自適應結構局部稀疏外觀模型（Adaptive Structural Local Sparse Appearance Model，ASLA）算法[17]進行對比檢測。為使跟蹤效果的表達更加簡潔，僅給出與TLD 算法的對比結果。其中，結合智能車對目標跟蹤跟隨的實際要求，選取目標變形（Deformation，DEF）、光照強度變化（Illumination Variation，IV）以及包含特征與顏色相似背景的背景雜波（Background Clutters，BC）片段進行分析。

3.1 算法準確性分析

為了定量分析測試結果，本文對采用標準一遍過評估（One-Pass Evaluation，OPE）以及通過打亂時間和空間得到的時間穩健性評估（Temporal Robustness Evaluation，TRE）和空間穩健性評估（Spatial Robustness Evaluation，SRE）3 種評估方法得到的中心像素閾值誤差-準確率曲線、重合率得分閾值-成功率曲線進行對比分析。

算法準確率由中心像素誤差（跟蹤算法估計的目標位置中心點與人工標注的目標中心點的距離）小于給定閾值的視頻幀的百分比來表征。閾值越小，準確率越高，跟蹤算法的中心精度越高。

重合率得分為：

式中，CT為跟蹤目標真實的矩形框；CF為跟蹤算法計算得到的矩形框；k(CT∩CF)、k(CT∪CF)為相應區域的像素數目。

當某一幀的重合率得分大于設定的閾值時，該幀為成功幀，總的成功幀占所有幀的百分比即為成功率。成功率越高，跟蹤算法對目標尺寸變化和形變的適應性越強。

分別選取OTB 開放測試庫中包含目標變形屬性、光照強度變化屬性以及包含特征與顏色相似背景的背景雜波屬性的測試序列對算法進行測試。跟蹤效果如圖2所示，成功率與準確率曲線如圖3所示。

圖2 不同算法跟蹤效果

由圖2 和圖3 可知：本文算法既可以滿足目標跟蹤過程中智能車位置變化以及路況所引起的目標形變而提出的穩定性要求，又能解決智能車自動跟隨時面臨的光照強度不規律變化的問題；同時，本文算法在一定程度上改善了因背景相似引起跟蹤目標改變導致跟蹤失敗的問題，且在較為惡劣的環境下，仍然具有一定的可靠性。由此，本算法有效提高了目標跟蹤的準確性和穩定性。

3.2 算法魯棒性分析

在某視頻序列中，每個跟蹤算法以不同的幀作為起始幀進行追蹤，初始化采用的矩形框為對應幀標注的真實數據，對得到的準確率和成功率結果取平均值，得到TRE。由于有些算法對初始化時給定的矩形框比較敏感，而目前測評用的真實數據均為人工標注數據，因此可能會對某些跟蹤算法產生影響。為評估上述跟蹤算法是否對初始化敏感，將真實數據進行微小平移和伸縮來產生矩形框。平移的幅度為目標物體面積的10%，尺度變化范圍為真實數據的80%～120%，以每10百分點依次增加。最后取結果的平均值作為SRE。本文通過對比TRE和SRE的整體性，對算法魯棒性進行評估。

圖3 不同算法跟蹤成功率與準確率

在智能車正常運動跟蹤的情況下，對OTB 開放測試庫中的運動車輛序列進行整體性分析。OPE、TRE和SRE 評估方法的目標跟蹤成功率與準確率曲線如圖4所示。由圖4可知，盡管算法的成功率和準確性均略有下降，但本文改進算法的各項數據均高于其他3 種算法，因此，本文算法具有較強的魯棒性。

圖4 不同情況下各算法魯棒性定量分析結果

4 結束語

本文針對智能車對行人或前方車輛等目標進行自動跟蹤跟隨時，易受環境噪聲、相似背景和光照變化等因素影響而導致目標丟失的問題，提出了一種綜合Camshift算法和ECO算法的改進目標跟蹤算法，利用國際公開測試庫將本文算法與傳統的KCF算法、TLD算法和ASLA 算法進行試驗對比，結果表明，改進算法在目標變形、光照強度改變以及特征與顏色相似背景條件下具有較好的魯棒性和測試性能。此外，該算法可以通過與深度學習更為緊密的結合，進一步提高跟蹤精度。