·704· 智 能系统学报 第14卷 score= area(R,R,) (27) 域，而R,则是测试序列所提供的真实位置所在的 area(R,UR.) 区域，各个算法平均重叠率如表3所示。 式中：R,是算法在某时刻的跟踪框所覆盖的区 表39种算法在各视频集中的平均重叠率（最优值加粗表示） Table 3 Average overlap rate of 9 algorithms in each sequences 视频序列 SIF IOPNMF IOPNMF SIF IVT IVT LIAPG CNT ASLA LOT MTT Faceocc2 0.68 0.64 0.73 0.72 0.70 0.58 0.67 0.45 0.68 David3 0.73 0.72 0.74 0.48 0.29 0.55 0.47 0.66 0.11 Faceocc1 0.79 0.79 0.73 0.72 0.71 0.75 0.32 0.41 0.73 Singer 0.88 0.83 0.59 0.57 0.24 0.79 0.77 0.19 0.47 Girl head 0.60 0.27 0.64 0.28 0.72 0.67 0.72 0.28 0.68 Liquorl 0.91 0.84 0.87 0.83 0.83 0.92 0.94 0.88 0.82 Basketball 0.50 0.03 0.54 0.15 0.33 0.12 0.58 0.68 0.28 SP2c 0.77 0.29 0.77 0.58 0.37 0.83 0.89 0.29 0.39 EECPlc 0.86 0.27 0.77 0.46 0.28 0.88 0.90 0.86 0.27 平均值 0.75 0.52 0.71 0.53 0.50 0.67 0.69 0.52 0.49 由图4中的标签栏和表1中数据可以看出， Liquon(图5(b)视频序列中，目标在330帧后出现 嵌入SIF算法后的SIF IVT与SIF IOPNMF算法 快速移动、运动模糊和尺度变化等干扰因素，此 与原算法相比，每个视频集中的平均中心误差皆 时IOPNMF、IVT、L1APG和LOT算法皆跟踪失 有所降低，平均重叠率皆有所提高。其中在 败；SIF IOPNMF和SIF IVT通过准则6将粒子集 Faceocc.2、Singer和Faceocc1这3个视频序列中， 进行分离运动，能够有效地增加粒子多样性，并 IVT算法总体表现较好。在David3、Faceoccl、 根据最大后验准则成功地估计了目标的后验状 Singer和Faceocc:2这4个视频序列中，IOPN- 态。在Basketball(图5(c)视频序列中，在20帧之 MF算法跟踪效果总体表现良好。表2列出了这 后，由于目标出现大幅度遮挡，IOPNMF算法出现 几个视频集的主要干扰因素，从中可以看出， 了漂移；SIF IOPNMF通过准则3对高权值粒子 IVT算法所采用的特征适合处理部分遮挡和小尺 集里的粒子进行局部加权，有效地处理了遮挡问 度旋转等干扰因素，而IOT与SIFPNMF算法的模 题。在85帧左右，目标出现快速移动，此时 型更新准则适合处理部分遮挡和光照变化等干扰 CNT算法跟踪失败；在250帧之后，由于目标出 因素。此时嵌入SIF算法后的SIF IVT和SIF 现大尺度平面外旋转，此时MTT和L1APG算法 IOPNMF算法与原算法相比，跟踪效果略有上 皆出现漂移；而在480帧之后，由于目标大尺度的 升。由实验结果可知：在目标跟踪中，所选取的 非刚性变形，只有SI IOPNMF、SI IVT和LOT算 特征和模型更新起着重要作用；当所提取的特征 法仍未丢失目标。在David3(图5(e)视频序列 和模型更新适合应对一些简单的跟踪环境时，采 用智能群体优化滤波的算法与采用粒子滤波的算 中，20帧左右时，跟踪目标出现小幅度遮挡，此 法跟踪效果相当。 时MTT算法跟踪失败：在110帧后，目标出现大 图5列出9种算法在部分视频集中实验结果 尺度平面内旋转，L1APG和ASLA算法皆出现漂 部分帧截图。在Girl head、Liquor1、Basketball、 移：在200帧左右时，由于出现了背景干扰和大幅 SA2c及EECP1c这5个视频序列中，采用粒子滤 度遮挡，IVT和CNT算法皆丢失目标。SIF IVT 波的IOPNMF和IVT算法都出现了漂移和跟踪 通过准则4对中权值粒子集进行局部加权计算出 失败的情况，而采用智能群体优化滤波的SF 中心位置，能够应对大幅度遮挡导致的局部最优 IOPNMF和SIF IVT算法跟踪效果有着明显的进 化，再对低权值粒子集进行内聚运动，有效地处 步。图5列出了视频序列中部分帧的实验结果截 理了背景干扰问题。SA2c(图5(d)和EECP1c(图 图，从图中可以看出，Girl head视频序列（图5(a) 5()两个视频序列中，目标皆出现大幅度遮挡和 中，由于目标在80帧后出现了平面内旋转、平面 尺度变换，只有SI IOPNMF、SIF IVT、CNT和 外旋转和尺度变化等干扰因素，IOPNMF、IVT和 ASLA算法跟踪效果良好，CNT和ASLA由于利 LOT算法皆出现了漂移，SIF IOPNMF和SIF IVT 用了局部特征模块，对遮挡有着良好的鲁棒性， 通过准则2，忽略低权值粒子集，择取高权值粒子 而SI IOPNMF和SIF_IVT则通过结合内聚运动 集估计目标的位置，因而避免了漂移现象。在 和局部加权准则，增加了算法的遮挡和尺度变化score = area(Rt ∩Rs) area(Rt ∪Rs) (27) 式中： Rt 是算法在某时刻的跟踪框所覆盖的区 域，而 Rs 则是测试序列所提供的真实位置所在的 区域，各个算法平均重叠率如表 3 所示。 表 3 9 种算法在各视频集中的平均重叠率 (最优值加粗表示) Table 3 Average overlap rate of 9 algorithms in each sequences 视频序列 SIF_IOPNMF IOPNMF SIF_IVT IVT L1APG CNT ASLA LOT MTT Faceocc2 0.68 0.64 0.73 0.72 0.70 0.58 0.67 0.45 0.68 David3 0.73 0.72 0.74 0.48 0.29 0.55 0.47 0.66 0.11 Faceocc1 0.79 0.79 0.73 0.72 0.71 0.75 0.32 0.41 0.73 Singer 0.88 0.83 0.59 0.57 0.24 0.79 0.77 0.19 0.47 Girl_head 0.60 0.27 0.64 0.28 0.72 0.67 0.72 0.28 0.68 Liquor1 0.91 0.84 0.87 0.83 0.83 0.92 0.94 0.88 0.82 Basketball 0.50 0.03 0.54 0.15 0.33 0.12 0.58 0.68 0.28 SP2c 0.77 0.29 0.77 0.58 0.37 0.83 0.89 0.29 0.39 EECP1c 0.86 0.27 0.77 0.46 0.28 0.88 0.90 0.86 0.27 平均值 0.75 0.52 0.71 0.53 0.50 0.67 0.69 0.52 0.49 由图 4 中的标签栏和表 1 中数据可以看出， 嵌入 SIF 算法后的 SIF_IVT 与 SIF_IOPNMF 算法 与原算法相比，每个视频集中的平均中心误差皆 有所降低，平均重叠率皆有所提高。其中 在 Faceocc2、Singer 和 Faceocc1 这 3 个视频序列中， IVT 算法总体表现较好。在 David3、Faceocc1、 Singer 和 Faceocc2 这 4 个视频序列中，IOPN￾MF 算法跟踪效果总体表现良好。表 2 列出了这 几个视频集的主要干扰因素，从中可以看出， IVT 算法所采用的特征适合处理部分遮挡和小尺 度旋转等干扰因素，而 IOT 与 SIFPNMF 算法的模 型更新准则适合处理部分遮挡和光照变化等干扰 因素。此时嵌入 SIF 算法后的 SIF_IVT 和 SIF_ IOPNMF 算法与原算法相比，跟踪效果略有上 升。由实验结果可知：在目标跟踪中，所选取的 特征和模型更新起着重要作用；当所提取的特征 和模型更新适合应对一些简单的跟踪环境时，采 用智能群体优化滤波的算法与采用粒子滤波的算 法跟踪效果相当。 图 5 列出 9 种算法在部分视频集中实验结果 部分帧截图。在 Girl_head、Liquor1、Basketball、 SA2c 及 EECP1c 这 5 个视频序列中，采用粒子滤 波的 IOPNMF 和 IVT 算法都出现了漂移和跟踪 失败的情况，而采用智能群体优化滤波的 SIF_ IOPNMF 和 SIF_IVT 算法跟踪效果有着明显的进 步。图 5 列出了视频序列中部分帧的实验结果截 图，从图中可以看出，Girl_head 视频序列 (图 5(a)) 中，由于目标在 80 帧后出现了平面内旋转、平面 外旋转和尺度变化等干扰因素，IOPNMF、IVT 和 LOT 算法皆出现了漂移，SIF_IOPNMF 和 SIF_IVT 通过准则 2，忽略低权值粒子集，择取高权值粒子 集估计目标的位置，因而避免了漂移现象。在 Liquor(图 5(b)) 视频序列中，目标在 330 帧后出现 快速移动、运动模糊和尺度变化等干扰因素，此 时 IOPNMF、IVT、L1APG 和 LOT 算法皆跟踪失 败；SIF_IOPNMF 和 SIF_IVT 通过准则 6 将粒子集 进行分离运动，能够有效地增加粒子多样性，并 根据最大后验准则成功地估计了目标的后验状 态。在 Basketball(图 5(c)) 视频序列中，在 20 帧之 后，由于目标出现大幅度遮挡，IOPNMF 算法出现 了漂移；SIF_IOPNMF 通过准则 3 对高权值粒子 集里的粒子进行局部加权，有效地处理了遮挡问 题 。 在 8 5 帧左右，目标出现快速移动，此 时 CNT 算法跟踪失败；在 250 帧之后，由于目标出 现大尺度平面外旋转，此时 MTT 和 L1APG 算法 皆出现漂移；而在 480 帧之后，由于目标大尺度的 非刚性变形，只有 SI_IOPNMF、SI_IVT 和 LOT 算 法仍未丢失目标。在 David3(图 5(e)) 视频序列 中，20 帧左右时，跟踪目标出现小幅度遮挡，此 时 MTT 算法跟踪失败；在 110 帧后，目标出现大 尺度平面内旋转，L1APG 和 ASLA 算法皆出现漂 移；在 200 帧左右时，由于出现了背景干扰和大幅 度遮挡，IVT 和 CNT 算法皆丢失目标。SIF_IVT 通过准则 4 对中权值粒子集进行局部加权计算出 中心位置，能够应对大幅度遮挡导致的局部最优 化，再对低权值粒子集进行内聚运动，有效地处 理了背景干扰问题。SA2c(图 5(d)) 和 EECP1c(图 5(f)) 两个视频序列中，目标皆出现大幅度遮挡和 尺度变换，只有 SI_IOPNMF、SIF_IVT、CNT 和 ASLA 算法跟踪效果良好，CNT 和 ASLA 由于利 用了局部特征模块，对遮挡有着良好的鲁棒性， 而 SI_IOPNMF 和 SIF_IVT 则通过结合内聚运动 和局部加权准则，增加了算法的遮挡和尺度变化 ·704· 智 能 系 统 学 报 第 14 卷