·124· 智能系统学报 第14卷 踪，获取跟踪结果的置信度。 跟踪的准确率，包含跟踪精度和成功率两个指标； 2)重复步骤1)，获取连续n帧的置信度集合 帧速率用于评估跟踪速度的快慢。 C={c1,c2,…,cn,观察置信度的变化情况。设F表 示更新标志位，定义为 F=1. argmin(C)==n-1 (4) 0.其他 (a)快速运动人脸 3)若F为1，则极小值对应的跟踪结果用于模 板更新，同时考虑到模板更新具有一定的记忆功 能，为了能包含更完整的样本信息，对接下来的3 帧，直接设置标志位F为1，并执行模块更新操作。 (b)遮挡人脸 4)模板未被更新时，若极小值出现在帧Fra 时，保留最后的-1帧，否则仅保留最后一帧；模 板被更新时，剔除所有帧的置信度，得到更新后 的置信度集合C,计算式为 b)行人 (argmin(C)==n-1 Ca={cz,c3,…,cn argmin(C)==n (5) 图2OTB-100数据库 {cn,其他 Fig.2 OTB-100 dataset 5)将用于模板更新的样本作为训练样本，学 本文实验参数设置如下：1)本文提出的基于 习新的外观判别式模型svm,并加入到SVMg中。 极值的自适应更新策略中，最小值存在性判断需 1.3目标跟踪新构架 要的帧数目n设置为4，重叠率阈值T。设置为0.7； 本文提出了一种自适应模板更新的判别式核 2)本文用于跟踪质量判定的判别模型学习中，训 相关滤波跟踪新构架，能够实时监督目标的跟踪 练样本标签确定需要的重叠率阈值Tp设置为0.7。 情况，捕捉发生旋转或者处于遮挡和快速运动的 22新构架的目标跟踪 目标，并进一步设计跟踪丢失恢复机制，以保证 本节采用基于HOG和CN特征结合的跟踪 目标实时且长期有效地跟踪，具体实施如下。 新构架，即AU DKCF进行测试，通过比较不同特 1)输入图像，并执行1.1节提出的跟踪质量 征以验证提出的方法的有效性。表1分别列出了 判定方法，捕捉跟踪异常的情况。 新构架AU DKCF与对比算法的跟踪结果。由表1 2)获取跟踪异常的图像帧，利用1.2节提出 可以看出，新构架在跟踪速度和精度方面取得了 的模板更新策略获取模板更新标志F。F=1表明 较高的性能，均优于对比算法。其原因在于：新构 目标发生旋转，有必要进行模板更新：否则，表明 架能够较准确判断目标是否跟踪异常，同时可进 目标形状未发生较大的变化，此时目标可能被干 一步区别目标跟踪异常所产生的原因，并利用不同 扰物遮挡或者处于快速运动的状态。 机制恢复丢失的目标，实现目标长期且准确地跟 3)对当前帧执行目标检测算法，若丢失目标 踪。AU DKCF在采用2种手工特征结合时，跟踪速 被成功检测，则利用检测结果继续跟踪，否则认 为目标被干扰物遮挡，在这种情况下，假设遮挡 度能达到105.2fs,可有效实现目标的实时跟踪。 过程具备时长短期性和目标运动位移最小化的性 表1本文新构架和对比算法的目标跟踪结果 质，因此，保持目标丢失前的位置不变，直到跟踪 Table 1 Object tracking results of proposed method and contrastive methods on OTB-50 状态trk sta正常或者目标被成功检测。 跟踪准确率/% 方法 帧速率/(s) 2实验与分析 精确度 成功率 KCF间 73.20 52.00 172.0 2.1实验设置和数据库 DCF 72.80 50.40 292.0 为验证提出的新框架的有效性，首先从公共 LMCF [16 83.90 数据集OTB-10011中选取50组视频进行测试。 62.40 85.2 TLD 19 60.80 33.40 28.0 然后，分别选取具有旋转、快速运动和遮挡属性 ORIA ROI 45.70 23.10 9.0 的视频对本文新构架的鲁棒性进行评估。图2给 Ours (HOG) 85.40 64.30 143.0 出了OTB-100中的部分视频帧。一次成功率和 Ours (CN) 86.70 52.40 121.0 帧速率分别用于跟踪评估。一次成功率用于评估 AU DKCF 87.50 63.10 105.2踪，获取跟踪结果的置信度。 n C = {c1, c2,··· , cn} F 2) 重复步骤 1)，获取连续 帧的置信度集合 ，观察置信度的变化情况。设 表 示更新标志位，定义为 F = { 1, argmin(C) == n−1 0, 其他 (4) F F 3) 若 为 1，则极小值对应的跟踪结果用于模 板更新，同时考虑到模板更新具有一定的记忆功 能，为了能包含更完整的样本信息，对接下来的 3 帧，直接设置标志位 为 1，并执行模块更新操作。 Fran n−1 n C ′ n 4) 模板未被更新时，若极小值出现在帧 时，保留最后的 帧，否则仅保留最后一帧；模 板被更新时，剔除所有 帧的置信度，得到更新后 的置信度集合 ，计算式为 C ′ n =    {}, argmin(C) == n−1 {c2, c3,··· , cn}, argmin(C) == n {cn}, 其他 (5) svm SVMobj 5) 将用于模板更新的样本作为训练样本，学 习新的外观判别式模型 ，并加入到 中。 1.3 目标跟踪新构架 本文提出了一种自适应模板更新的判别式核 相关滤波跟踪新构架，能够实时监督目标的跟踪 情况，捕捉发生旋转或者处于遮挡和快速运动的 目标，并进一步设计跟踪丢失恢复机制，以保证 目标实时且长期有效地跟踪，具体实施如下。 1) 输入图像，并执行 1.1 节提出的跟踪质量 判定方法，捕捉跟踪异常的情况。 F F = 1 2) 获取跟踪异常的图像帧，利用 1.2 节提出 的模板更新策略获取模板更新标志 。 表明 目标发生旋转，有必要进行模板更新；否则，表明 目标形状未发生较大的变化，此时目标可能被干 扰物遮挡或者处于快速运动的状态。 trk_sta 3) 对当前帧执行目标检测算法，若丢失目标 被成功检测，则利用检测结果继续跟踪，否则认 为目标被干扰物遮挡，在这种情况下，假设遮挡 过程具备时长短期性和目标运动位移最小化的性 质，因此，保持目标丢失前的位置不变，直到跟踪 状态 正常或者目标被成功检测。 2 实验与分析 2.1 实验设置和数据库 为验证提出的新框架的有效性，首先从公共 数据集 OTB-100[18]中选取 50 组视频进行测试。 然后，分别选取具有旋转、快速运动和遮挡属性 的视频对本文新构架的鲁棒性进行评估。图 2 给 出了 OTB-100 中的部分视频帧。一次成功率和 帧速率分别用于跟踪评估。一次成功率用于评估 跟踪的准确率，包含跟踪精度和成功率两个指标； 帧速率用于评估跟踪速度的快慢。 n Tsco Tovp 本文实验参数设置如下：1) 本文提出的基于 极值的自适应更新策略中，最小值存在性判断需 要的帧数目 设置为 4，重叠率阈值 设置为 0.7； 2) 本文用于跟踪质量判定的判别模型学习中，训 练样本标签确定需要的重叠率阈值 设置为 0.7。 2.2 新构架的目标跟踪 本节采用基于 HOG 和 CN 特征结合的跟踪 新构架，即 AU_DKCF 进行测试，通过比较不同特 征以验证提出的方法的有效性。表 1 分别列出了 新构架 AU_DKCF 与对比算法的跟踪结果。由表 1 可以看出，新构架在跟踪速度和精度方面取得了 较高的性能，均优于对比算法。其原因在于：新构 架能够较准确判断目标是否跟踪异常，同时可进 一步区别目标跟踪异常所产生的原因，并利用不同 机制恢复丢失的目标，实现目标长期且准确地跟 踪。AU_DKCF 在采用 2 种手工特征结合时，跟踪速 度能达到 105.2 f/s，可有效实现目标的实时跟踪。 表 1 本文新构架和对比算法的目标跟踪结果 Table 1 Object tracking results of proposed method and contrastive methods on OTB-50 方法 跟踪准确率/% 帧速率/(f/s) 精确度 成功率 KCF [3] 73.20 52.00 172.0 DCF [3] 72.80 50.40 292.0 LMCF [16] 83.90 62.40 85.2 TLD [19] 60.80 33.40 28.0 ORIA [20] 45.70 23.10 9.0 Ours (HOG) 85.40 64.30 143.0 Ours (CN) 86.70 52.40 121.0 AU_DKCF 87.50 63.10 105.2 (a) 快速运动人脸 (b) 遮挡人脸 (b) 行人 图 2 OTB-100 数据库 Fig. 2 OTB-100 dataset ·124· 智 能 系 统 学 报 第 14 卷