基于遮挡检测的核相关滤波目标跟踪算法

张杨　闫河　杨晓龙

摘要：针对核相关滤波目标跟踪算法在目标跟踪中存在严重遮挡的问题，本文提出了基于遮挡检测的核相关滤波目标跟踪算法。该算法首先在目标跟踪时利用峰值旁瓣比进行遮挡检测判断，然后当目标未遮挡时，继续使用核相关滤波模块进行跟踪，当有遮挡时，在目标出遮挡之后使用本文所提出的分类器进行目标再检测。为了验证本文的有效性，采用OTB-2013中21组遮挡数据集，并和OTB-2013中跟踪性能较好的跟踪算法进行对比，实验表明本文算法能有效的解决在目标跟踪中存在的严重遮挡的问题。

关键词：核相关滤波；遮挡检测；严重遮挡；分类器

中图分类号：TP391 文献标识码：A 文章编号：1007-9416（2018）02-0125-02

1 引言

目标跟踪技术不管是在军事还是民事上都有相当重要的作用。近年来，对目标跟踪问题有广泛的研究，并取得了很大的进展，涌现了很多目标跟踪算法。但是现实生活中的目标跟踪受遮挡、光照变换、目标与背景相似、目标背景复杂等因素的影响，目标跟踪算法的准确性和实时性受到了一定的限制。然而遮挡问题是研究的重点和难点，尤其是在目标受到严重遮挡或者完全遮挡时。

目标遮挡问题按目标被遮挡程度可分为三类，部分遮挡、严重遮挡、完全遮挡。遮挡处理一般分为三部分：进入遮挡、遮挡保持、离开遮挡[1]。因此解决遮挡问题目前有两种方法，第一种是当目标出现部分遮挡时，通过局部特征匹配的方法对目标进行定位，当目标严重遮挡或完全遮挡时，对遮挡进行判断，再重新检测被跟踪目标[2-5]；第二种是对未被遮挡时目标的运动信息进行轨迹预测来实现后续帧的位置预测判断[6、7]。

上述遮挡方法都是基于生成式模型目标跟踪方法，生成式模型目标跟踪方法由于计算量大的原因无法满足跟踪的实时性要求，今年来有学者提出判别式模型方法，该方法将背景与目标区分开来，减少计算量，并且具有较好的鲁棒性，最典型的就是目前由Heriques等提出核相关滤波目标跟踪算法[8]，该算法对训练样本进行循环移位，可近似看成是对目标的密集采样，从而得到大量的训练样本来训练分类器。此外分类器的训练和检测过程都利用离散傅里叶变换来实现快速计算。

因此本文在核相关滤波目标跟踪算法的基础上增加了遮挡判断，该遮挡判断由峰值旁瓣比来完成，当峰值旁瓣比大于设定的阈值时，则直接继续核相关滤波；当峰值旁瓣比小于所设定的阈值，则出现遮挡，当目标出现遮挡时通过帧间差分法对目标再检测，并更新目标区域。實验表明该方法在目标严重遮挡的情况下具有较好鲁棒性。

2 本文算法

本文算法在核相关滤波算法的基础上致力于解决目标跟踪中的严重遮挡问题。本文将其分为两个模块，一是：遮挡检测，二是：目标再检测。图1为本文算法的框架图。

2.1 核相关滤波目标跟踪算法

核相关滤波目标跟踪算法，是一种判别式跟踪方法，它将目标与背景区分开来，目标初始帧时，将目标进行循环移位，构造大量样本，再使用核岭回归训练分类器得到目标滤波器模型，再到一帧时，通过核相关判断目标位置，并更新目标模型。具体方法参考文献[8]。

2.2 遮挡检测策略

对于目标遮挡问题一般可以分为三个步骤：进入遮挡、遮挡保持、离开遮挡[1]，因此当目标发生遮挡时，首先要判断目标是否发生遮挡，本文的遮挡检测策略参考文献[9、10]，本文使用响应峰值旁瓣比（Peak to Sidelobe Ratio，PSR）对遮挡进行检测，PSR的计算方法如下：

其中为最大峰值，峰值周围的区域定义为旁瓣，分别为旁瓣区域的均值和方差。实验中设定阈值T，当PSR>T时，这无遮挡进行核相关滤波；当PSR

2.3 目标再检测

当目标出现严重遮挡时，单靠目标局部特征信息很难稳定的进行跟踪。因此在上述检测到目标被遮挡时，目标出遮挡后，通过重新检测运动目标以达到稳定的跟踪。本文参考文献[5]使用最近邻分类器和朴素贝叶斯分类器组合来进行目标再检测。

该检测方法是，首先通过朴素贝叶斯对目标初始帧分类训练分类器有：

通过朴素贝叶斯分类器对候选进行粗略的分类，然后再利用最近邻分类器对朴素贝叶斯分类后剩下的目标候选块找到与目标最接近的目标块。若目标块的相似度值（为阈值），则判定为检测到目标，否则未找到目标。其中相似度值定义为：

其中和表示目标候选块与目标正样本和目标负样本中所有样本最大相似度值，为正样本和负样本的集合，表示最终相似值。相似值越大则越能判断出真正的目标。

3 实验结果与分析

为了验证本文算法的有效性，本文算法使用OTB-2013[11]中的21组遮挡数据来验证，并且和四种性能较优的算法进行对比，且评判的标准为跟踪成功图和跟踪精确图。该实验结果如图2所示。

实验结果表明本文所提算法较KCF、SCM[12]、Struck[13]、TLD[14]，在遮挡问题，跟踪精度分别提升了6.9%、35.9%、54.2%、69.1%，跟踪成功率分别提升了18.1%、35.4%、59.3%、78.5%，因此本文算法在解决遮挡问题上有较好的鲁棒性。

4 结语

遮挡问题一直是目标跟踪研究的重点和难点，本文针对目标被遮挡的问题，在核相关滤波目标跟踪算法的基础上，提出了基于遮挡检测的核相关滤波目标跟踪算法。该算法加了目标遮挡检测，可以一定程度上解决目标严重遮挡的问题，提高跟踪的成功率和精确度。本文算法只考虑了遮挡目标为单目标的情况下，因此后续会针对复杂的目标进行研究。

参考文献

[1]薛陈，朱明，刘春香，遮挡情况下目标跟踪算法综述[J].中国光学和应用光学，2009，5（10）：（389-393）.

[2]PROKAJ J，MEDIONI G.Persistent Tracking for WideArea AerialSurveillance / / Proc of the IEEE Confere-nce on Computer Vision and Pattern Recognition.Wa-shington，USA： IEEE，2014： 1186-1193.

[3]WANG D，LU H C，YANG M H. Online Object Tracking with Sparse Prototypes.IEEE Transactions on Image Processing，2013，22（1）： 314-325.

[4]储珺，朱陶，繆君等.基于遮挡检测和时空上下文信息的目标跟踪算法[J].模式识别与人工智能，2017，30（8）：718-727.

[5]李春兰.基于遮挡检测的粒子滤波行人目标跟踪算法研究[D].深圳大学，2017.

[6]YANG H， ALAHARI K， SCHMID C. Online ObjectTracking with Proposal Selection / / Proc of the IEEEInternational Conference on Computer Vision. Washi-ngton，USA： IEEE，2015： 3092-3100.

[7]YANG H， ALAHARI K，SCHMID C. Occlusion and Motion Reasoning for Long-Term Tracking / / Proc of the 13th European Conference on Computer Vision. New York，USA： Springer，2014，VI：172-187.

[8]HENRIQUES J F， CASEIRO R， MARTINS P，et al.High speed tracking with kernelized correlation filters[J]. IEEE Transaction on Pattern Analysis and Machine Intelligence.2015，32（9）：1627-164.

[9]王暐，王春平，李軍等.特征融合和模型自适应更新相结合的相关滤波目标跟踪[J].光学精密工程，2016，24（8）：2059-2066.

[10]BLOME D S， BEVERIDGE J R， and DRAPER B A，et，al.. Visual object tracking using adaptive correlation filters[C]. IEEE International Conference on Comput-ersion（CVPR）.2010：2544-2550.

[11]Wu Y， Lim J， and Yang M H. Online object tracking： A benchmark[C]. IEEE Conference on Computer Vision and Pattern Recognition，Portland，USA，2013：1354-1362.

[12]ZHONG W， LU H， and YANG M H. Robust Object Tracking via Sparsity based Collaborative Model. In CVPR.2012.

[13]HARE S， SAFFARI A， and TORN P H.Struck： Structured k-ernels[C]. IEEE International Conference on Computers Vision（ICCV）.2011：263-270.

[14]KALAL Z，MIKOLAJCZYK K，MATAS J. Face-TLD： Tracking-Learning-Detection Applied to Faces / / Proc of the 17th IEEE International Conference on Image Processing.Washington，USA：IEEE，2010：3789-3792.