自适应分块优化的目标跟踪算法

杨 波，王小虎

(1.四川文理学院 财经管理学院，四川 达州 635000；2.华北理工大学 矿业工程学院，河北 唐山 063210)

0 引 言

目标跟踪已经在智能监控、导航定位等各个领域有着重要应用[1]，但受实际复杂环境的干扰，已有算法难以满足准确性与实时性的要求，因此，设计合理的目标跟踪特征模型，并提高其对复杂干扰背景的自适应特性，具有重要的意义[2]。

传统特征模板[3]、局部稀疏表达[4]、SVM[5]及Baye-sian分类器[6]等跟踪算法对光照变化、遮挡等背景干扰的适应性较差，且对样本质量要求高，计算复杂度大[7]。Zhang等[8]采用核相关滤波(kernel correlation filter，KCF)算法，并采用多通道特征来提高跟踪算法的目标跟踪准确性和实时性；DONG等[9]将颜色的各种属性信息引入到KCF框架中，并对计算得到的高维度颜色特征进行降维，从而提高了算法的实时性和跟踪有效性；龚真等[10]将多种特征融合与KCF相结合进行目标跟踪，以缓解单一特征易被干扰的问题；熊昌镇等[11]基于融合特征和KCF梯度直方图进行目标位置估计，取得较高的跟踪效率。基于相关滤波框架的跟踪算法具有较好的运算效率，但其模型中未加入局部背景信息，因而易受背景环境干扰而产生跟踪漂移[12]。图像子块具有较好的特征不变性，对遮挡及光照变化等具有较好的抗干扰性能[13]。基于此，Bency等[14]将自适应KCF与子块分割相结合，通过子块KCF和预测加权进行目标跟踪；夏斯维等[15]结合光流法与分块思想，在失效判别基础上，通过块内滤波训练和块间加权融合提高跟踪精度。已有基于图像分块的跟踪算法以固定的矩形分块为主，不利于目标特征的多样性检测，而且容易引入背景干扰。

在已有研究基础上，提出基于自适应分块和子块异步更新的目标跟踪算法，算法首先构建光照不敏感特征和超像素自适应分块，然后基于相对熵和特征聚类实现高置信度的子块的自适应提取，从而提高目标跟踪的精确性和跟踪效率，最后通过异步更新存在变化的子块来提高算法运算效率和环境适应性。实验结果验证了文中算法的有效性。

1 光照不敏感特征提取

局部敏感直方图(local sensitive histogram，LSH)不同于传统直方图采用的特定灰度级统计，而是对像素邻域信息进行统计，以位置为权重计算像素点的直方图，其计算式为

(1)

式中：p和q为像素位置，bp=1,2,…,B为像素p的灰度级,B为总级数，α∈(0,1) 为距离相关的惩罚因子，Iq为像素q的灰度值，W为邻域总像素数。

为解决光照变化影响，由LSH构建对光照不敏感的跟踪特征(light insensitive feature，LIF)，即

(2)

2 基于自适应分块的目标跟踪

2.1 超像素自适应分块

图像分块具有较好的抗局部遮挡特性[5]，且其内部特征较为稳定，具有模式不变性，因而对背景的复杂变化和光照影响等干扰具有较好的抗干扰能力。超像素模型依据像素的纹理属性对图像进行分块处理，可以将具有相同或相似特征的邻域像素划分为一类，并按相同类别标签进行处理，因而，其分块具备一定意义上的语义独立性，且基于超像素块的运算可避免逐像素运算的复杂性，大幅提高跟踪算法的运算效率[10]。

文中采用基于梯度的主流纹理感知SLIC算法进行图像的超像素自适应分块[16]。算法首先通过具有方向性的圆窗均值滤波器规整图像的颜色信息，以消除旨梯度噪声对图像纹理的影响，提高颜色距离对纹理的感知能力，其中滤波器采用1/4圆窗；然后梯度幅值上采用由Sobel梯度和区间梯度组成的联合幅值，以实现抵制无效纹理、保持子图结构和细化边缘的目标；最后通过具有结构回避特性的综合聚类进一步限定超像素分块的边界，提高子块的特征一致性和分块的精确性，流程如图1所示。

图1 纹理感知SLIC超像素分块

基于图1的文中自适应目标分块如图2所示，图2(a)中跟踪框为手动预选的目标区域，图2(b)为自适应分块得到的结果子块，图2(c)为分块结果的局部细化。可以看出，纹理感知SLIC超像素分块尽可能保留了统一的目标特征信息。

图2 超像素模型自适应分块实验结果

2.2 目标子块自适应选择

在目标跟踪时，采用与目标特征相关的子块同时剔除背景特征相关子块进行目标跟踪，跟踪结果将更加准确[17]。定义基于Kullback-Leibler相对熵的局部差异描述算子dt(r) 来量化背景与目标子块之间的特征差异，其计算式为

(3)

式中：t为图像的帧号，r为分块后子块的序号，hf(i) 与hb(i) 分别为子块区域和背景区域的直方图。根据子块的dt(r) 可以分析各子块是目标或背景的置信度。

(4)

对于t帧图像，超像素子块s(t,r) 为目标区域子块的概率可以由Pc(i) 表示为

(5)

由式(3)和式(5)计算的dt(r) 和Pt(r) 可得t帧图像中子块s(t,r) 的置信概率Γt(r) 为

Γt(r)=[wd,ws][dt(r),Pt(r)]T

(6)

式中：wd和ws为控制dt(r) 和Pt(r) 对目标子块置信贡献度的参数，其值为

(7)

(8)

实际应用时对子块的Γt(r) 值进行排序，选取前K=argmaxi(Γt(r)>θr) 个子块用于目标跟踪，θr为阈值，用以剔除置信度较低的目标子块。

2.3 LIF相似度量优化的目标跟踪

设t帧图像It包含有R个子块，其可以表示为

(9)

式中：dr为子块r和目标所覆盖区域的中心的距离，w0和h0为宽高初始值，则可以根据2.2节提取的具有高置信度的子块实现多子块的目标跟踪。由于每帧图像仅更新与目标相关的若干子块，且各子块的空间关系相对固定，因而算法可以快速计算局部直方图等特征，实现实时跟踪。

由子块可对图像中目标进行状态估计，即

(10)

(11)

式中：q为子块内的像素位置，W为子块像素数。将候选目标区域中的所有子块的dm(q) 进行累加，则得到候选区域与目标区域之间的差异，即目标的总相似度

(12)

对当前图像中的所有候选区域都可计算总相似度，则值最小的候选区域为当前帧的目标跟踪参考区域，进而估计目标在当前图像中的预测位置

(13)

式(13)所示预测位置中，当参考区域根据目标区域设定相同的子块区域，因而区域中可能存在背景部分，且并没有充分利用高置信度的子块进行目标跟踪，为此，采用高斯模型[18]对式(11)所示子块差异进行改进，得到子块间的似然函数为

(14)

由式(14)计算参考区域中的所有子块的似然函数可以得到联合似然函数，再结合子块置信度，可得式(13)的目标跟踪优化值，即

(15)

由于目标在运动过程中，受图像采集设备的影响，在连续图像间会存在一定的尺度变化，为此，文中采用自适应阈值分割对目标的尺度进行估计，其过程为，先计算目标区域与背景区域的LIF值，即ftar(q) 和fbg(q)， 然后通过LIF值计算自适应分割阈值δ

δ=argmin(2ftar(qδ)-ftar(qδ+1)+fbg(qδ))

(16)

式中：qδ为阈值分割位置的像素位置，以δ对颜色概率图进行二值化处理，然后根据目标前景变化，估计尺度状态。

2.4 目标遮挡处理与子块异步更新

上述方法未考虑目标被遮挡时的算法更新，根据通常摄像机的30帧率，如果目标被遮挡1 s以上，算法模板会被遮挡物取代造成累积漂移，为此，文中基于峰值旁瓣比R1(q) 进行遮挡的检测处理，对于第t帧采集图像，其判别式为

(17)

式中：Fmax为最大响应，uH和σ为峰值旁瓣的期望和方差。为适应目标遮挡情况，将目标区域及其参考区域自适应地划分为K个区域，这样，f1(q) 通过分析响应的多峰值来判断子区域是否出现遮挡，如果有f1(i)>λ0，λ0为预设阈值，则表明该层子区域存在遮挡情况，文中阈值取值为

(18)

式中：Mk为第k层区域的子块数，这样算法可根据子区域大小自适应设置阈值。

根据式(17)所示的判断方法进行目标的遮挡检测而得到的遮挡检测实验效果如图3所示，从实验结果可以看出，当LEG区域被严重遮挡时，其对应曲线的幅值达到最大值，而当其遮挡消失后，幅值回到阈值以下；而在整个过程中，BODY子区域中不存在遮挡情况，因而其曲线的幅值一直低于阈值，从图3实验结果可以说明式(17)可以有效判别目标遮挡而实现目标的自适应遮挡检测。

图3 遮挡检测实验结果

当目标的不同区域出现遮挡时，基于缓冲池策略不同区域进行异步更新。

(19)

3 实验验证及分析

为验证算法跟踪性能，以目标跟踪大型数据集OTB50和OTB100[1]作为实验数据，以跟踪性能较为优异的KCF算法[11]、DSST算法[1]、SPT算法[13]、BACF算法[1]作为实验比较算法，采用mat lab 2016a软件实现各算法。

3.1 跟踪精度比较分析

首先验证算法的跟踪准确性，以跟踪正确率均值faccu和跟踪重合率均值faor作为实验性能评价指标，faccu描述图像序列中实现目标正确跟踪的帧数，因此faccu均值越大，说明实验过程中目标跟踪的正确率越高，但无法说明跟踪的精确性情况，而faor则描述了正确跟踪后的目标框与跟踪框之间的中心距离，faor值越小，则跟踪精确性越高。多次实验结果见表1和表2。从表中实验结果可以看出，Faceocc1序列中背景较为干净，对跟踪影响和干扰较小，因而，KCF、DSST和BACF算法与SPT及文中算法取得相近跟踪结果，但在其它图像序列中，存在背景干扰、目标遮挡和相似目标时，KCF、DSST和BACF这3种算法的跟踪正确率迅速降低，跟踪精度也变坏，而SPT和文中算法仍取得较优的跟踪效果，而文中算法的正确率和跟踪精度更有优势。

表1 各算法的跟踪正确率均值

表2 各算法的跟踪重合率均值

3.2 跟踪性能实验分析

在存在目标遮挡、复杂背景及光照变化等严重影响目标跟踪效果的实验场景中进行目标跟踪实验，并对结果进行综合分析，实验过程中的部分实验结果如图4所示。

图4 各算法目标跟踪实验结果

从图4中实验结果可以看出，在目标移动较快且存在一定遮挡时，KCF和BACF逐渐发生偏移，甚至由于缺少有效的遮挡检测而完全丢失目标，主要因为KCF算法经历一次遮挡影响后，其密集采样相关滤波的分类器性能极速下降，而BACF算法主要依据其首帧数据进行模型的迭代更新，跟踪过程偏差累积较大。SPT和DSST在模型相关滤波更新时采用实时的真实背景作为负样本，模型判别和抗遮挡性能更强，跟踪较为稳定。文中算法通过高置信子块在遮挡前后的变化度量实时获取目标变化，并根据变化结果通过扩展采样范围实现对目标的重新跟踪和捕捉。

综合分析上述实验结果，可以看出，在遮挡、光照变化及相似目标等复杂场景下，文中算法的综合目标跟踪表现更加平稳，正确率最优。

4 结束语

为适应复杂环境下存在的光照变化、背景复杂、目标遮挡及相似目标干扰等问题，提出了基于自适应分块和异步更新的鲁棒目标跟踪算法，算法首先构建光照不敏感特征和超像素自适应分块，然后通过相对熵和特征聚类实现高置信度子块的自适应提取，以提高跟踪的精确性；最后算法通过遮挡的自适应检测和子块缓冲池的异步更新，进一步提高算法运算性能和跟踪效率。实验结果表明，与KCF、DSST、SPT和BACF等已知文献中的算法相比，文中算法具有更优的跟踪正确率，以及对不同复杂场景干扰的适应性和鲁棒性，验证了算法的有效性。