基于邊緣檢測的抗遮擋相關濾波跟蹤算法

摘""要：無人機跟蹤目標因其便利性得到越來越多的關注。基于相關濾波算法利用邊緣檢測優化樣本質量，并在邊緣檢測打分環節加入平滑約束項，增加了候選框包含目標的準確度，達到降低計算復雜度提高跟蹤魯棒性的效果。利用自適應多特征融合增強特征表達能力，提高目標跟蹤精準度。引入遮擋判斷機制和自適應更新學習率減少遮擋對濾波模板的影響，提高目標跟蹤成功率。通過在OTB-2015和UAV123數據集上的實驗進行定性定量的評估，論證了所研究算法相較于其他跟蹤算法具有一定的優越性。

關鍵詞：無人機""目標追蹤""相關濾波""多特征融合""邊緣檢測

中圖分類號：TN713;TP391.41;TG441.7

The"Anti-Occlusion"Correlation"Filtering"Tracking"Algorithm"Based"on"Edge"Detection

TANG"Yi

（North"China"University"of"Technology，"Beijing，"100144"China）

Abstract："For"its"convenience，"tracking"targets"with"unmanned"aerial"vehicles"is"getting"more"and"more"attention."Based"on"the"correlation"filtering"algorithm，"the"quality"of"samples"is"optimized"by"edge"detection，"and"smoothing"constraints"are"added"to"the"edge"detection"scoring"link，"which"increases"the"accuracy"of"targets"included"in"candidate"boxes，"and"achieves"the"effects"of"reducing"computational"complexity"and"improving"tracking"robustness."Adaptive"multi-feature"fusion"is"used"to"enhance"the"feature"expression"capability，"which"improves"the"accuracy"of"target"tracking."The"occlusion"detection"mechanism"and"the"adaptive"updating"learning"rate"are"introduced"to"reduce"the"impact"of"occlusion"on"filtering"templates，"which"improves"the"success"rate"of"target"tracking."Qualitative"evaluation"and"quantitative"evaluation"are"conducted"through"experiments"on"OTB-2015"and"UAV123"datasets，"which"demonstrates"the"superiority"of"the"studied"algorithm"over"other"tracking"algorithms.

Key"Words："Unmanned"aerial"vehicle;"Target"tracking;"Correlation"filtering;"Multi-feature"fusion;"Edge"detection

近年來，無人機成為熱點話題，具有不同用途的無人機頻繁出現在大眾視野。作為無人機視覺系統中的重要組成部分，視覺跟蹤也受到越來越多的關注。

深度學習憑借著其優異的特征能力讓基于深度學習的目標跟蹤算法[1-2]取得了廣泛關注。SiamMask[3]將"Siam"孿生網絡互相關后的特征圖添加了mask分支，互相關后的特征圖包含了目標模板與搜索區域的匹配信息，能夠從中提取重合區域的信息。雖然基于深度學習的跟蹤算法有了較好的性能，但是基于深度學習的跟蹤算法大多計算量大。而無人機的計算資源有限，所以具有較高的計算能力的相關濾波跟蹤算法更符合無人機實時跟蹤目標的需求。

Cheng"Li[4]等人提出了一種TLD-KS將SAMF算法與KCF算法相結合的算法。計算出SAMF算法與KCF算法跟蹤結果的相似度，通過相似度判斷是否繼續跟蹤，結合兩種算法結果對目標跟蹤進行調整。Shaoming"Li[5]等人在相關濾波算法的基礎上引入了損失函數來降低對目標部分遮擋的敏感度，并且提出了一種基于特征融合的自適應的在線模型更新策略。Huanxia"Wei[6]提出了將相關濾波和卡爾曼濾波相結合，利用相關濾波來判斷視覺系統的信息是否可靠，是否需要切換算法進行后期的目標跟蹤。Changhong"Fu[7]提出了一種具有動態一致性的相關濾波器即CPCF跟蹤器。其通過相鄰響應映射之間的相關操作，生成一個實際的一致性映射來表示幀間的一致性級別。利用最小化實際與理想的一致性圖之間的差異，約束一致性水平以保持時間的平滑。

本文在前人研究的基礎上，對相關濾波算法進行優化。利用邊緣檢測對樣本進行優化，并且引入了一個約束項對樣本進行重打分排序，提升樣本質量。采用自適應多特征融合提升特征表達能力，利用遮擋判斷實現自適應更新模板，降低目標遮擋對跟蹤準確率的影響，提高目標跟蹤的魯棒性。

1""SAMF目標跟蹤

SAMF基于KCF算法改進，在KCF的基礎上加入了灰度特征與CN特征，實現多特征融合。引入了目標尺度自適應的概念，通過與尺度池中的尺度因子進行響應比較，最大響應值為當前目標的最佳尺度。

1.1""特征提取

SAMF算法在HOG特征的基礎上添加了CN特征和灰度特征，通過將三種特征進行簡單的矢量疊加得到多特征融合。具體公式如下：

（1）

1.2""訓練濾波器

通過循環矩陣提取大量樣本，將這些樣本作為訓練樣本集。濾波訓練的目的就是通過樣本找到最佳的濾波模板系數，使得函數與訓練樣本與回歸標簽之間的平均誤差最小。最小化的二乘函數為：

（2）

式（2）中：為正則化參數，可以防止過擬合。

通過高斯函數可以得到由訓練樣本構成的核矩陣。我們可以將求解轉化為求解。

（3）

式（3）中：為的傅里葉變換，為的傅里葉變換。

1.3""快速檢測與模板更新

對于新輸入的樣本，通過特征提取、循環位移可得到樣本集合與訓練樣本構造核矩陣且滿足循環條件。由此可以得到測試樣本的響應，響應值最大的點坐標表示目標的最新位置，有。由于SAMF算法引入了尺度自適應概念，不僅需要找到目標位置還需要找到目標的最佳尺度，所以求得最大響應公式具體如下：

（4）

式（4）中：為"根據尺度因子大小調整的樣本的修訂值。由于響應函數得到的是一個向量，所以利用max計算得到最大響應值，從而得到最佳尺度。

模塊的更新只需要更新兩個參數，一個是模板參數，另一個是樣本參數，具體公式如下：

（5）

式（5）中：為學習率。

2""本文算法

本文算法以SAMF為基礎算法，對其存在計算量大、抗遮擋能力差等問題進行改進。算法流程如圖1所示。

2.1""樣本提取

本文采用了Edge"boxes邊緣檢測算法對樣本進行優化，在提高樣本質量的同時減少樣本量，減少計算時間，滿足目標追蹤的實時性。

輸入圖像后，利用結構邊緣檢測算法來計算每個像素的邊緣響應，通過不斷尋找八連通的邊緣點，將這些邊緣點定義為一組邊緣組。計算邊緣組兩兩之間的相似度，相似度計算公式如下所示：

（6）

式（6）中：為和之間的角度；為調整相似度的敏感程度系數，此時。

任意一組邊緣組和一個滑動窗口，"Edge"boxes算法使用權重值描述邊緣組被滑動窗口包圍的程度。具體的計算公式如下：

（7）

最后對滑動窗口進行打分，得分高排名靠前的候選框可作為高質量的樣本，用于之后的訓練。具體的計算公式如下所示：

（8）

式（8）中：為候選框的寬度；為候選框的高度；為用來消除候選框的面積過大而帶來的邊緣誤差。

上述計分方式會存在一些物體比目標區域得分高，導致錯過目標，所以我們在此計分的基礎上加入平滑約束項。若存在多個高分候選框，則更靠近上一幀的候選框得分更高。具體的平滑約束公式如下所示：

（9）

式（9）中，為候選框的中心，為上一幀候選框的對角線長度，為約束系數，防止過度平滑約束。

最終候選框的得分計算公式如下所示：

（10）

通過邊緣檢測，提取排名靠前的樣本，減少了樣本數目，并且用于訓練模型的樣本都是高質量的樣本，這讓后期跟蹤目標時，精準度和實時性得到了一定程度的提升。

2.2""特征融合

為提取有效的目標特征信息，利用HOG特征、CN特征和LBP特征的優缺點互補的關系實現自適應的多特征融合，構建具有高魯棒性的目標模型。

提取圖像的3種特征，對于每一種特征分別訓練出其表觀模型。在跟蹤過程中，分別計算出3種

特征表觀模型與當前幀圖像的相關濾波響應。

式（11）（12）（13）中：為特征表觀模型，為當前圖像的特征向量的傅里葉變換，為得到的響應圖。

計算各相關響應的最大值，并將其作為特征融合的權重依據。

式（14）中：和分別是HOG特征、CN特征和LBP特征的權重。最后根據所得到的特征權重得到最終多特征融合響應。

（17）

2.3""遮擋判斷機制

SAMF算法抗遮擋能力差，目標被遮擋時，目標跟蹤的準確度下降，誤差增大，造成目標丟失。為了解決上述問題，加入了遮擋判斷機制，減少因目標被遮擋而造成的跟蹤失敗，提高跟蹤的魯棒性。

本文采用平均峰值能量APCE作為判斷目標是否被遮擋的依據。APCE反映的是目標響應圖的震蕩情況，當目標未發生遮擋，最大響應峰值較為突出，APCE值相對而言比較大；當目標發生遮擋，最大響應周圍會出現次峰值，并且最大響應峰值也會被削弱，APCE值相對而言會下降。具體計算公式如下：

式（18）中：和分別為相關響應圖中最大響應值、最小響應值以及坐標為位置上的響應。當APCE大于閾值，判定目標未被遮擋，保持原有的學習率進行更新；當APCE小于閾值，我們判定目標被遮擋，進行下一步的遮擋程度判斷。

本文利用次峰值與主峰值之比作為判斷目標被遮擋程度的依據。因為目標遮擋會讓主峰值變小，次峰值變大，所以目標被遮擋程度越嚴重，次峰值與主峰值的比值越大。具體的計算公式如下：

（19）

式（19）中：分別表示相關響應圖的第一主峰與第二主峰。當R小于閾值時，判定目標被部分遮擋，大于閾值時，判定目標被完全遮擋。

2.4""模板更新機制

SAMF算法是采用固定學習率更新模板，這樣會造成當目標被遮擋時，模板更新依舊按照原來的機制更新，算法學習到錯誤的特征信息導致目標漂移。為了解決上述問題，對模板更新策略進行改進，實現學習率自適應性，提高濾波模板的準確度。

（20）

當APCE大于閾值，判定目標未被遮擋，保持原有的學習率進行更新；當APCE小于閾值且R小于閾值，判斷目標被部分遮擋，降低學習率，降低遮擋對模型更新的影響；當APCE小于閾值且R大于閾值，判斷目標被完全遮擋，停止更新。

3""實驗結果與分析

本文算法實驗平臺為MATLAB-2018。將本文算法與3種先進的跟蹤算法在OTB-2015和UAV123數據集上進行實驗，并進行定性和定量分析，驗證方法的有效性。本次實驗其他算法結果均來自作者發布的官方跟蹤結果，為保證評估標準的一致性，本次實驗均采用算法評估中的一次性通過方式來計算出算法對應的"Precision"plot"和"Success"plot"進行結果分析。

在圖中測試的couple_1序列中可發現在第48幀時，KCF、SAMF已經丟失目標；隨著目標尺度發生變化，在第107幀時，Struck算法也丟失目標，由于課題提出的算法有更好的尺度適應性，所以仍然能準確跟蹤目標。在boat9_1序列中由于目標快速移動，在第1"289幀時，Struck、SAMF、KCF算法已經丟失目標，從第1399幀可以看出相較于其他算法，本文算法更能適應尺度快速變化。

由表1、表2可知，本文算法與SAMF算法相比較在OTB-2015數據集實驗中準確率和成功率都有一定程度的提升；在UAV123數據集實驗中準確率提升了10%，成功率提升了12%，與其余兩種目標追蹤算法相比，不管是準確率還是成功率都有了不同程度的提升。

4"nbsp;結語

在本文中，利用邊緣檢測提取相似度高的樣本，并且加入約束項提升了樣本打分排序的準確度。樣本數量的減少和質量的提高為后續跟蹤目標減少計算時間、提升精準度。采用自適應多特征融合增強特征表達能力，利用遮擋判斷機制和自適應更新學習率降低目標丟失風險，提高濾波模板準確度。本文算法在OTB-2015和UAV123數據集的跟蹤效果優于其他3種經典算法，實驗數據表明了本課題算法的可行性。本文算法在滿足無人機追蹤目標實時性的同時又提升了應對遮擋情況的適應性，比其他算法更能適應無人機平臺下的目標跟蹤。

參考文獻

[1]"王旭辰，韓煜祺，唐林波，等.基于深度學習的無人機載平臺多目標檢測和跟蹤算法研究[J].信號處理，2022，38（1）：157-163.

[2]徐耀建.基于深度學習的視頻多目標行人檢測與追蹤[J].現代信息科技，2020，4（12）：6-9.

[3]"HU"W"M，WANG"Q，ZHANG"L.et"al."SiamMask："A"Framework"for"Fast"Online"Object"Tracking"and"Segmentation[J].IEEE"transactions"on"pattern"analysis"and"machine"intelligence，2023，45（3）：3072-3089.

[4]"CHENG"L，ZHU"A.Target"Tracking"Algorithm"of"Similarity"Detection"Based"on"Correlation"Filtering[C]//2021"International"Conference"on"Intelligent"Computing.Automation"and"Applications"（ICAA），2021：122-129.

[5]"LI"S"M，CHU"J，ZHONG"G"C，et"al.Robust"Visual"Tracking"With"Occlusion"Judgment"and"Re-Detection[J].IEEE"Access，2020，8：122772-122781.

[6]"WEI"HU"X.A"UAV"Target"Prediction"and"Tracking"Method"Based"on"KCF"and"Kalman"Filter"Hybrid"Algorithm[C]//2022"2nd"International"Conference"on"Consumer"Electronics"and"Computer"Engineering"（ICCECE）.2022：711-718.

[7]"FU"C"H，YANG"X"X，FAN"L，，"et"al."Learning"Consistency"Pursued"Correlation"Filters"for"Real-Time"UAV"Tracking[C]//2020"IEEE/RSJ"International"Conference"on"Intelligent"Robots"and"Systems"（IROS）.2020：8293-8300.