·392· 智能系统学报 第13卷 004 ￥n103 (a)Crossing (b)Football (c)Shaking (d④Walking (e)Walking2 OURS CT KCF CNT 图3视频序列跟踪结果示例 Fig.3 Examples of the tracking results on video sequences 可见，本文算法在形变、遮挡、低分辨率等复杂 表2距离精度DP 背景干扰下均能取得有效的跟踪效果。 Table 2 Distance Precision % 3.2定量分析 视频序列 OURS CT KCF CNT 为了测试算法性能，给出了部分序列的中心位 Crossing 100 100 100 100 置误差与距离精度的具体数据3,2训。中心位置误差 Dancer2 100 100 100 100 (center location error,CLE)表示目标的中心位置与 标准中心位置的欧氏距离的误差，表达式为ε= David2 100 100 100 100 日∑C-Cn是图片序列的帧数，C为目标中心 Football 92.8 99.2 91.4 82.6 Shaking 100 12.3 12.9 57.5 位置，C为标准中心位置；距离精度(distance preci- Skater 100 100 100 100 sion,DP)表示中心误差小于一个给定阈值的帧的 Walking 100 100 100 100 相对数量，表达式为DP=m,m为CLE小于某个固 Walking2 100 48.6 75.6 100 定阈值（实验中均选为20像素）的图片序列帧数。表1 Average 99.1 82.51 84.98 92.51 给出了算法的平均中心位置误差的对比数据，表2 给出了算法的距离精度DP的对比数据。为保证 对于算法速度，同样采用卷积网络结构提取特 数据真实性，本文所示数据均为5次实验后取平 征的CNT算法，与本文算法在相同实验环境下进行 均值。 速度对比，CNT没有采用高斯核函数进行加速，算 表1中心位置误差（像素） 法速度为1~2s,本文算法采用高斯核函数进行加 Table 1 Center location error(pixels) 速，算法平均速度为5fs。由实验可知，采用高斯 视频序列 OURS CT KCF CNT 核函数加速，在不影响跟踪精度的同时能够提升算 Crossing 1.46 5.31 2.25 3.79 法的速度。 Dancer2 6.11 9.51 6.41 7.14 实验中，绘制了4种算法跟踪精度曲线图，跟 David2 2.24 15.4 2.08 2.56 踪精度曲线图首先设定一个目标估计位置与真实位 Football 16.2 21.9 14.6 17 置的阈值距离，在跟踪过程中，统计跟踪算法估计 Shaking 18.8 110 113 45.9 的目标位置与真实位置的距离小于阈值范围的帧 Skater 11 7.24 10.7 11.3 数，并计算帧数占整个视频帧的百分比。图4给出 了以上4种算法对应的8个视频序列的跟踪精度曲 Walking 2.11 4.3 3.97 2.21 线，横坐标为阈值，纵坐标为精度，阈值越低而精度 Walking2 3.44 61.3 29 3.78 值越高的跟踪器性能越好。由曲线图可清晰地看 Average 7.67 29.37 22.75 11.71 到，本文算法具有较高的跟踪精度。可见，本文算法在形变、遮挡、低分辨率等复杂 背景干扰下均能取得有效的跟踪效果。 3.2 定量分析 1 n ∑n i=1 Ci −C r i Ci C r i DP = m n 为了测试算法性能，给出了部分序列的中心位 置误差与距离精度的具体数据[3,21]。中心位置误差 (center location error，CLE) 表示目标的中心位置与 标准中心位置的欧氏距离的误差，表达式为 ε = ，n 是图片序列的帧数， 为目标中心 位置， 为标准中心位置；距离精度 (distance preci￾sion，DP) 表示中心误差小于一个给定阈值的帧的 相对数量，表达式为 ，m 为 CLE 小于某个固 定阈值 (实验中均选为 20 像素) 的图片序列帧数。表 1 给出了算法的平均中心位置误差的对比数据，表 2 给出了算法的距离精度 DP 的对比数据。为保证 数据真实性，本文所示数据均为 5 次实验后取平 均值。 对于算法速度，同样采用卷积网络结构提取特 征的 CNT 算法，与本文算法在相同实验环境下进行 速度对比，CNT 没有采用高斯核函数进行加速，算 法速度为 1~2 f/s，本文算法采用高斯核函数进行加 速，算法平均速度为 5 f/s。由实验可知，采用高斯 核函数加速，在不影响跟踪精度的同时能够提升算 法的速度。 实验中，绘制了 4 种算法跟踪精度曲线图[4] ，跟 踪精度曲线图首先设定一个目标估计位置与真实位 置的阈值距离，在跟踪过程中，统计跟踪算法估计 的目标位置与真实位置的距离小于阈值范围的帧 数，并计算帧数占整个视频帧的百分比。图 4 给出 了以上 4 种算法对应的 8 个视频序列的跟踪精度曲 线，横坐标为阈值，纵坐标为精度，阈值越低而精度 值越高的跟踪器性能越好。由曲线图可清晰地看 到，本文算法具有较高的跟踪精度。 表 1 中心位置误差 (像素) Table 1 Center location error(pixels) 视频序列 OURS CT KCF CNT Crossing 1.46 5.31 2.25 3.79 Dancer2 6.11 9.51 6.41 7.14 David2 2.24 15.4 2.08 2.56 Football 16.2 21.9 14.6 17 Shaking 18.8 110 113 45.9 Skater 11 7.24 10.7 11.3 Walking 2.11 4.3 3.97 2.21 Walking2 3.44 61.3 29 3.78 Average 7.67 29.37 22.75 11.71 表 2 距离精度 DP Table 2 Distance Precision % 视频序列 OURS CT KCF CNT Crossing 100 100 100 100 Dancer2 100 100 100 100 David2 100 100 100 100 Football 92.8 99.2 91.4 82.6 Shaking 100 12.3 12.9 57.5 Skater 100 100 100 100 Walking 100 100 100 100 Walking2 100 48.6 75.6 100 Average 99.1 82.51 84.98 92.51 (a) Crossing (b) Football (c) Shaking (d) Walking (e) Walking2 OURS CT KCF CNT 图 3 视频序列跟踪结果示例 Fig. 3 Examples of the tracking results on video sequences ·392· 智 能 系 统 学 报 第 13 卷