一种基于模糊结构化SVM的目标跟踪算法∗

孙子文 夏 良

（中国人民解放军陆军炮兵防空兵学院信息工程系 合肥 230031）

1 引言

目标跟踪目前在视频监控、车辆导航、人机交互、智能交通、运动分析和姿态估计等民用领域，以及视觉制导、目标定位和火力控制等军事领域均有重要的应用价值。近年来，虽然目标跟踪有了较大发展，但是其仍然面临复杂背景、目标变化和快速运动等诸多难题，目前仍是具有挑战性的工作，是计算机视觉领域中研究的热点问题。

目前，目标跟踪领域中的研究者已经提出了出众多目标跟踪方法，其核心组件是表观模型，包括产生式模型和判别式模型两类，与其相应的目标跟踪方法分别称为产生式跟踪和判别式跟踪。产生式跟踪仅仅使用目标表观特征跟踪目标，其比较有代表性的方法有IVT跟踪［1］、L1跟踪［2］。判别式跟踪把目标跟踪看作二分类问题，它不但利用目标表观信息而且也利用目标的背景信息，对复杂背景表现更为鲁棒，在视觉跟踪中逐渐占据了主流地位。其比较有代表性的方法有MIL跟踪［3］、TLD跟踪［4］、随机森林跟踪［5］、基于SVM跟踪［6］、相关滤波跟踪［7］和深度跟踪［8］。

近些年，基于结构化SVM的目标跟踪由于其优异的性能而受到了广泛关注。但是通过对其采样过程的实验分析发现，大多数的采样框与目标框的中心距离较远，且重叠的面积较少或者没有。少部分的采样框与目标框的中心距离较近，且重叠的面积较大。因此通过实验分析可知，基于结构化SVM的目标跟踪中存在着采样样本不均衡的问题。针对存在的这个问题，本文以现有的结构化SVM跟踪算法为基础，提出了一种基于模糊结构化SVM的目标跟踪模型，对每个不同的采样样本施加于相应的重要度，并基于对偶坐标下降原理对模型进行求解，实验结果显示相较于基准跟踪器DLSSVM［9］跟踪算法，在精确率和成功率两个指标上均有明显的提高。

2 背景知识

2.1 模糊支持向量机

Lin等提出用模糊支持向量机［10］进行分类，即选择一个适当的隶属度函数，根据隶属度函数得到每个训练样本点(xi,yi)的隶属度值ui( )0＜ui≤1 ，ui即表示样本xi对类别yi的从属程度。于是训练集就变成了模糊化训练样本集S={( xi,yi,ui),i=1,2,...,N } 。其中，xi∈RN是训练样本集，yi∈{- 1,+1}是样本标签，0＜ui≤1是模糊隶属度函数取值范围。则求解最优超平面的优化问题则变为

其中，C为惩罚因子且满足C＞0；ξi表示松弛变量。

由式（1）可以看出，每个样本点xi所对应的模糊隶属度ui被嵌入了目标函数当中。因此，C·ui表示对错分点的重视程度，C·ui越小，则损失参数ξi对目标函数值的影响越小，样本点xi越不重要。相反，C·ui越大，对应样本越重要，xi被错分的概率就越小。由此可知，应尽可能减小噪声点或孤立点的C·ui值，减小此类样本点对分类超平面的影响。

2.2 结构化SVM模型

受到结构化SVM在目标检测中应用的启发，2011年Hare等［11］提出了基于结构化SVM的目标跟踪Struck。Struck把目标跟踪看作结构化学习问题，避免了传统判别式跟踪的中间分类环节，显著提高了目标跟踪的性能。在利用结构化学习器进行预测时，其目标是预测给定样本x∈Rd的结构化输出y∈Y，其中Y可以是任意结构输出空间。在基于结构化SVM的目标跟踪中，Y是矩形框空间，它的任一元素用（x，y，w，h）表示，其中（x，y）表示矩形框的中心位置，w和h分别表示矩形框的宽和高。假设训练数据为表示矩形框y在图像x上的特征向量，则可以通过式（3）学习一个参数为w的分类器。

3 一种基于模糊结构化SVM目标跟踪方法

3.1 基于模糊结构化SVM模型

本文针对存在的采样样本不均衡问题，提出一种基于模糊结构化SVM模型，该模型描述如下：

其中，C、ξi、Ψi(y)和 L(yi,y)的含义如式（4）中所示，ui在此表示采样样本的重要程度，ui越大表示样本重要程度越高，对其分错的惩罚系数也就越大。ui越小表示样本重要程度越低，对其分错的惩罚系数也就越小。

3.2 样本重要度的设计计算

在目标周围进行采样的过程中，所得到采样框均匀地分布在目标框的周围，本文根据两方面设计采样样本的重要度函数，一方面根据样本框中心点与目标框中心点之间的距离设计，另一方面根据样本框与目标框的重叠度进行设计。

3.3 基于模糊结构化SVM算法

4 实验结果与分析

表1给出了本文方法、DLSSVM和Struck等三种基于结构化SVM跟踪器在OTB100［12］数据集上的OPE性能指标比较结果。从表1可以看出，在Precision和Success两项指标上，本文提出的方法均明显优于其它跟踪器。由表1中的比较结果可以看出：本文方法不仅在性能上有明显提升，而且对目标跟踪速度几乎没有影响。

表2给出了本文方法与基准跟踪器DLSSVM在不同挑战性视频中的比较结果。由表2可以看出，本文方法在背景混杂、目标形变、遮挡和运动模糊等挑战性视频中均有显著提升，这一结果表明了本文方法的有效性。

表1 三种基于结构化SVM的跟踪器在OTB100数据集上的OPE性能与速度指标

表2 本文方法与基准跟踪器DLSSVM在不同属性视频中的表现比较

5 结语

基于结构化SVM的目标跟踪中存在着采样样本不均衡的问题。针对这个问题，本文以现有的结构化SVM跟踪算法为基础，提出了一种基于模糊结构化SVM的目标跟踪模型，对每个采样样本施加于相应的重要度，并基于对偶坐标下降原理对模型进行求解。实验结果显示相较于基准跟踪器DLSSVM跟踪算法，在精确率和成功率两个指标上均有明显的提高，在背景混杂、目标形变、遮挡和运动模糊等属性视频中跟踪性能提升明显。