带目标恢复的无人机长期白适应相关滤波跟踪算法

关键词：目标跟踪，外观融合模型，正则化，通道可靠性，目标恢复

中图分类号：TP391. 4 文献标志码：A

随着无人航行器［1-2］技术的迅速发展，其对地面目标的跟踪技术成为目前的研究热点. Bol⁃me et al［3］首次将相关滤波引入到目标跟踪中，Henriques et al［4］在此基础上提出了CSK （Ex⁃ploiting the Circulant Structure of Tracking⁃by⁃De⁃tection with Kernels）算法，加入正则项来解决过拟合问题. KCF（Kernel Correlation Filter）算法［5］基于HOG［6］特征，进一步提高了目标跟踪的精确度. 在跟踪过程中，由于相机运动产生尺度问题，DSST （Discriminative Scale Space Tracking）算法［7］增加了尺度滤波器. SAMF （Scale Adaptivewith Multiple Features）算法提出一种多尺度方法，定义七个固定尺度的尺度池来确定目标尺度大小. SRDCF （Spatially Regularized Discrimina⁃tiv Correlation Filters）算法［8］引入空间正则化来解决边界效应的影响，但算法的速度受到限制.Staple （Complementary Learners for Real ⁃ Time Tracking）算法［9］将颜色直方图特征与HOG 特征融合来提高跟踪效果. BACF （Learning Back⁃ground ⁃ Aware Correlation Filters for VisualTracking）算法［10］对于背景的区分能力很强，但对于目标遮挡等复杂场景的效果不佳. STRCF（Earning Spatial ⁃ Temporal Regularized Correla⁃tion Filters for Visual" Tracking）算法［11］引入时间正则化来限制滤波器的更新，TLD （Tracking" ⁃Learning⁃Detection）算法［12］通过跟踪、学习、检测相结合来处理一些跟踪难题. Ma et al［13］提出一种基于分类器的LCT （Long ⁃ term CorrelationTracking）算法，用于目标丢失后对其再次检测，但跟踪精确度有待提高. 2020 年Li et al［14］提出一种在线自动自适应学习时空正则化项的新方法AutoTrack，目标跟踪技术广泛应用在工业和生活中. 当无人机跟踪地面运动目标时，面临着目标场景遮挡、光照变化等复杂情况，导致滤波模型性能下降. 为了解决该问题，本文提出一种无人机对地面目标的稳定实时跟踪算法，通过外观融合模型、自适应局部正则化限制滤波器和目标恢复三个方面进行改进，有效提升了滤波器性能，提高了目标跟踪的成功率和精确度，与其他算法相比，成功应对了目标移出视野、被遮挡等复杂场景下的跟踪挑战.

1改进算法

1. 1多特征融合 结合FHOG、灰度和CN 等特征构建外观融合模型，从三个不同的角度关注图像特征信息，流程如图1所示.

1. 2自适应局部时空正则化

1. 2. 1拟解决的问题 边界效应严重限制了跟踪性能，为了减少不合理样本引入了余弦窗，但余弦窗影响了对背景信息的学习，并且当目标移动到区域边缘时，余弦窗会导致目标的部分信息被去除，导致跟踪结果不佳甚至跟踪失败. 滤波器的更新影响目标跟踪的效果，在光照变化、遮挡和目标形变等复杂环境下，如果每帧更新滤波器，会导致滤波器跟踪效果不好以至跟踪失败. 大多数算法采用扩大搜索来应对复杂场景，但扩大搜索会带来大量的背景信息，从而影响滤波器的稳定性，使滤波器发生退化.

3. 3. 1总体性能评估 图5展示了八种算法在UAV20L 数据集上的精确度和成功率，由图可见，本文提出的算法精确度为0. 724，成功率为0. 621.与其他算法相比，本文提出的算法总体性能最优.由UAV20L 数据集上的测试结果可见，本文算法比STRCF，SRDCF，AutoTrack，DSST，SAMF，LCT 和TLD 算法精确度分别提高了0. 149，0. 217，0. 225，0. 265，0. 267，0. 365 和0. 388，成功率分别提高了0. 106，0. 203，0. 216，0. 241，0. 331，0. 371 和0. 431.表1 展示了八种算法运行速度的对比结果，由表可见，本文提出的算法的运行速度达25 FPS，满足实时性.

3. 3. 2属性性能分析 本文提出的算法在长宽比变化（ARC）、背景干扰（BC）、相机运动（CM）、快速运动（FM）、完全遮挡（FOC）、光照变化（IV）、低分辨率（LR）、移出视野（OV）、尺度变化（SV）、视点变化（VC）、相似目标（POC）、部分遮挡（SOB）12 种复杂场景下的定量分析结果如表2 所示，表中黑体字表示结果最优，跟踪效果对比如图6 所示.结果表明与其他算法相比，本文提出的算法在复杂场景下的适用性更优，跟踪效果更好.

3. 3. 3部分序列性能评估

3. 3. 3. 1 car1序列性能评估 图7 展示了八种算法在序列car1上的精确度和成功率，从定量方面分析，由图可见，在遮挡、形变等复杂场景的序列car1上，本文算法比STRCF，SRDCF，AutoTrack，DSST，SAMF，LCT 和TLD的精确度分别提高了0. 058，0. 058，0. 058，0. 058，0. 1，0. 097 和0. 069，成功率提高了0. 028，0. 027，0. 002，0. 391，0. 084，0. 391 和0. 261.

从定性方面分析，图8 展示了八种算法在序列car1上的跟踪结果，在序列car1第1500帧时，目标发生剧烈形变，SAMF 和LCT 算法已经跟踪失败，滤波器完全退化，DSST算法跟踪状况不佳，勉强实现定位. 第1535帧时目标在视野中消失，第1573帧时重新出现，只有本文提出的算法跟踪成功，第1720帧时依然只有本文提出的算法成功跟踪目标. 结果表明本文提出的算法在发生完全遮挡、丢失目标后可以成功找回目标，能适应复杂的场景.

3. 3. 3. 2 group2序列性能评估 图9 展示了八种算法在序列group2上的精确度和成功率，从定量方面分析，在序列group2 部分遮挡、光照变化、完全遮挡和移出视野等复杂场景中，本文提出的算法均排名第一，精确度分别比STRCF，SRDCF，Au⁃toTrack，DSST，SAMF，LCT 和TLD 提高了0. 618，0. 618，0. 618，0. 618，0. 618，0. 618 和0. 599，成功率分别提高了0. 525，0. 525，0. 525，0. 525，0. 525，0. 525 和0. 512.

图10展示了八种算法在序列group2上的跟踪结果，从定性方面分析，在序列group2第97帧时，TLD 算法跟踪失败，滤波器完全退化，其他算法不受小范围的遮挡影响，依然能跟踪成功. 第120 帧时目标在视野中消失，第149 帧时目标重新出现在视野里，此时目标经历了严重的光照变化，只有本文提出的算法跟踪成功. 第200帧时目标经历了快速运动、光照变化，此时只有本文算法和SAMF算法跟踪成功，但SAMF 算法跟踪状况不佳，精确度不高. 第220 帧时只有本文算法跟踪成功，在经历快速运动和运动形变后的第514帧时，只有本文提出的算法跟踪成功. 在发生光照变化、快速运动和剧烈形变等无人机复杂场景下，本文提出的算法可实现目标的成功跟踪，并且在发生遮挡、丢失目标后可以成功找回目标.

3. 3. 3. 3 person17序列性能评估 图11展示了八种算法在序列person17上的精确度和成功率，从定量方面分析，在场景相对简单的person17序列中，AutoTrack精确度排名第一，精确度为0. 997.本文提出的算法精确度为0. 995，排名第三，与Au⁃toTrack只相差0. 002. STRCF 算法的成功率以0. 968 排名第一，本文提出的算法以0. 960 排名第二，只与STRCF 相差0. 008. 综合精确度和成功率，本文提出的算法在person17序列中表现优秀，在普通的简单场景中跟踪效果依然稳定.

图12展示了八种算法在序列person17上的跟踪结果，从定性方面分析，在序列person17 中大部分算法都能实现稳定和准确地跟踪目标.

3. 3. 3. 4 person19 序列性能评估 图13为八种算法在序列person19 上的精确度和成功率，从定量方面分析，在序列person19 上本文提出的算法排名第一，比STRCF，SRDCF，AutoTrack，DSST，SAMF，LCT 和TLD精确度分别提高了0. 346，0. 347，0. 354，0. 413，0. 343，0. 471 和0. 332，成功率分别提高了0. 015，0. 019，0. 033，0. 18，0. 076，0. 18 和0. 005.

图14 为八种算法在序列person19上的跟踪结果，从定性方面分析，在序列person19第1021 帧时目标发生了部分遮挡，所有算法都跟踪成功. 目标在第1167帧时消失，第1177帧时重新出现，此时只有LCT，SRDCF和本文提出的算法跟踪成功，其中本文提出的算法跟踪效果最好. 第1902 帧时目标部分消失在视野里，出现部分遮挡，此时只有TLD，LCT和本文提出的算法跟踪成功，其他滤波器均已完全退化. 第1759帧时只有TLD和本文提出的算法跟踪成功. 第3084 帧时出现部分遮挡，只有本文提出的算法稳定地成功跟踪. 结果表明本文提出的算法在经历多次目标在视野中消失后重新出现，仍能稳定地成功跟踪.

4结论

本文提出一种小型无人机场景下运动目标的相关滤波跟踪算法，从外观融合模型、正则化限制滤波器和目标恢复三个方面进行改进，提升了跟踪精确度，解决了移出视野、遮挡等复杂场景下的跟踪问题. 实验结果表明，本文提出的算法在目标出现光照变化、严重遮挡、快速运动等复杂场景时，跟踪效果稳定，并且具有实时性能. 在工程应用方面仍面临很多复杂情况，未来需要对滤波器模型继续研究.

（责任编辑 高善露）