第4期 许奇，等：用于目标跟踪的智能群体优化滤波算法 ·703 表2 各视频集中的主要干扰因素 1 Table 2 Main challenges in each sequences Th= (max w(Xm)- wa()》 (24) 视频 主要干扰因素 (25) Faceocc2 部分遮挡、平面内旋转、平面外旋转 David3 部分遮挡、背景干扰、非刚性变形、平面外旋转 式中：k为当前帧；w(xm)表示在m帧所有粒子的 Faceoccl 部分遮挡 权值；w(x)表示在m帧第i个粒子的权值。 为了充分比较算法的总体性能，除了将改进 Singer 光照变化、尺度变化 后的SIF IOPNMF算法和SIF IVT算法与原算法 Girl-head 尺度变化、平面内旋转、平面外旋转 比较外，还与L1APG、CNT、ASLAU9I、LOT20 Liquorl 尺度变化、快速移动、平面外旋转、运动模糊 MTT2)算法进行比较，以上5种经典的目标跟踪 Baketball 光照变化、非刚性变形、背景干扰、平面外旋转 算法皆是基于粒子滤波框架下。定义中心误差为 SP2c 尺度变化、遮挡 EECPlc 尺度变化、遮挡 e=Vx,-x)2+0y-y)月 (26) 式中：x和y代表跟踪结果对应的坐标值；x和y: 参数设定为：粒子数N=600。阈值 则是代表真实的位置所对应的坐标值。 9种算法在各视频集中逐帧的中心误差如 mpts=N,阈值threshold-=W10。为了增加算法的 图4所示，其左上角标签栏为平均中心误差。定 适用性，将Th和x设定为动态参数： 义重叠率(Overlap rate)为 100 250 600 SIF_IOPNMF [4.356] 80 2931 200 ·sF 500 …Vn12.819 3.6097 -L1APG[3.327] -.vn12.900] 400 LIAPG 178 5971 60 150 …L1APG20.407] .CNT [325 .470 CNT [3. 80 1T1665 300 --ASLA[18219] 40 -MTT13.619例 100 “A 9H2 MTT17.960 200 50 100 50100150200 250300 0 0ō 200 300 400 0 00 200 300 400 帧号 帧号 帧号 (a)Girl head (b)Liquorl (c)Basketball 140 SIF IOPNME 800 120 IOPNMF .597 120 700 -SIF IVT [1.955) MF5.827 二16 100 100 .-Iv2.319j 600 ---SIF_IVT[ ,112 -L1APGI64.920] 80 967 80 837 500 55331 A 1.46 400 ASLA187.758] 10T)1发 60 L0T19.842 60 300 MTT1341.331 -T50.5221 0 40 200 0 100 20 100 200 300 400 500 0 50 100 150 200 250 300 100 200 300 400 顿号 帧号 帧号 (d)SA2c (e)David3 (f)EECPle 140 350 s _IOPNMF [2.424] 150 368 NMF1I2.876 120 300 MF2.547 17 100 .8871 二恶913 250 二鸢 53.351 …IVT18.422] 1APG12.759 100 --LIAF G117.334 121 80 NTII9.6501 200 .AsLA119.3451 L0T[141.389 60 L0T14.891 150 MTT136.166 .MTT20996 -MTTI9.835] 100 50 40 20 50 200 400600 800 1000 100 200 300 400 200 400 00 8001000 帧号 帧号 帧号 (g)Faceocc2 (h)Singer (i)Faceoccl 图49种算法在各视频集上的中心误差 Fig.4 Center error of 9 algorithms in each sequences表 2 各视频集中的主要干扰因素 Table 2 Main challenges in each sequences 视频 主要干扰因素 Faceocc2 部分遮挡、平面内旋转、平面外旋转 David3 部分遮挡、背景干扰、非刚性变形、平面外旋转 Faceocc1 部分遮挡 Singer 光照变化、尺度变化 Girl-head 尺度变化、平面内旋转、平面外旋转 Liquor1 尺度变化、快速移动、平面外旋转、运动模糊 Baketball 光照变化、非刚性变形、背景干扰、平面外旋转 SP2c 尺度变化、遮挡 EECP1c 尺度变化、遮挡 mpts = √3 N τh τl 参数设定为：粒子 数 N =600 。阈值 ，阈值 threshold=N/10。为了增加算法的 适用性，将 和 设定为动态参数： τh = 1 5 ∑k m=k−5 (maxw ∗ m (xm)− 1 N ∑N i=1 w ∗ m (x i m )) (24) τl = 1 5 ∑k m=k−5 ( 1 N ∑N i=1 w ∗ m (x i m )−minw ∗ m (xm)) (25) w ∗ m (xm) w ∗ m (x i m ) 式中：k 为当前帧； 表示在 m 帧所有粒子的 权值； 表示在 m 帧第 i 个粒子的权值。 为了充分比较算法的总体性能，除了将改进 后的 SIF_IOPNMF 算法和 SIF_IVT 算法与原算法 比较外，还与 L1APG[3] 、CNT[4] 、ASLA[19] 、LOT[20] 、 MTT[21] 算法进行比较，以上 5 种经典的目标跟踪 算法皆是基于粒子滤波框架下。定义中心误差为 e = √ (xt − xs) 2 +(yt −ys) 2 (26) 式中：xt 和 yt 代表跟踪结果对应的坐标值；xs 和 ys 则是代表真实的位置所对应的坐标值。 9 种算法在各视频集中逐帧的中心误差如 图 4 所示，其左上角标签栏为平均中心误差。定 义重叠率 (Overlap rate) 为 (b) Liquor1 (c) Basketball (f) EECP1c (g) Faceocc2 (h) Singer (i) Faceocc1 100 80 60 40 20 0 50 100 150 200 250 300 中心误差 中心误差 中心误差 中心误差 中心误差 中心误差 中心误差 中心误差 中心误差 SIF_IOPNMF [4.561] IOPNMF [14.997] SIF_IVT [6.293] IVT [12.819] L1APG [3.327] CNT [3.909] ASLA [3.745] LOT [36.265] MTT [3.619] SIF_IOPNMF [4.356] IOPNMF [19.005] SIF_IVT [3.609] IVT [12.900] L1APG [20.407] CNT [3.180] ASLA [2.650] LOT [5.937] MTT [17.960] SIF_IOPNMF [6.296] IOPNMF [69.077] SIF_IVT [6.505] IVT [26.653] L1APG [78.597] CNT [325.470] ASLA [18.219] LOT [6.741] MTT [102.493] SIF_IOPNMF [1.873] IOPNMF [9.369] SIF_IVT [1.955] IVT [2.319] L1APG [64.920] CNT [2.837] ASLA [1.469] LOT [22.808] MTT [66.485] SIF_IOPNMF [13.368] IOPNMF [13.503] SIF_IVT [7.887] IVT [7.415] L1APG [12.759] CNT [19.650] ASLA [19.345] LOT [14.891] MTT [9.835] SIF_IOPNMF [2.424] IOPNMF [2.547] SIF_IVT [10.133] IVT [11.314] L1APG [53.351] CNT [4.152] ASLA [3.291] LOT [141.389] MTT [36.166] SIF_IOPNMF [12.876] IOPNMF [12.717] SIF_IVT [15.485] IVT [18.422] L1APG [17.334] CNT [15.339] ASLA [78.058] LOT [34.748] MTT [20.996] 帧号 帧号 帧号 帧号 帧号 帧号 帧号 帧号 帧号 250 200 150 100 50 0 100 200 300 400 600 500 400 300 200 100 0 100 200 300 400 500 140 120 100 80 60 40 20 0 140 120 100 80 60 40 20 0 100 200 300 400 500 800 700 600 500 400 300 200 100 0 50 100 150 200 250 300 120 100 80 60 40 20 0 100 200 300 400 100 200 300 400 150 100 50 200 400 600 800 1 000 0 200 400 600 800 1 000 350 300 250 200 150 100 50 0 SIF_IOPNMF [2.316] IOPNMF [45.858] SIF_IVT [3.704] IVT [13.421] L1APG [69.967] CNT [1.833] ASLA [1.206] LOT [2.182] MTT [50.522] SIF_IOPNMF [5.597] IOPNMF [5.827] SIF_IVT [6.112] IVT [51.956] L1APG [90.002] CNT [55.331] ASLA [87.758] LOT [9.842] MTT [341.331] (a) Girl_head (d) SA2c (e) David3 图 4 9 种算法在各视频集上的中心误差 Fig. 4 Center error of 9 algorithms in each sequences 第 4 期 许奇，等：用于目标跟踪的智能群体优化滤波算法 ·703·