第3期 汪鸿翔，等：高斯核函数卷积神经网络跟踪算法 ·391· p(S.Z)x p(Z.IS,)fp(S,S1)p(S-Z)dS,- (8) 别与匹配。 6)网络更新：采取限定阈值的方式，即当所有 式中：S,=[xs,x、y,为目标的位置，s为尺度参 粒子中最高的置信值低于阈值时，认为目标特征发 数；p(S,S-)为运动模型，用于根据第t-1帧的位置 生较大表观变化，当前网络已无法适应，需要进行 预测第帧的位置，假设目标状态参数是相互独立 更新。利用初始滤波器组，结合跟踪过程中得到前 的，可用3个高斯分布来描述，从而运动模型即为 景滤波器组，进行加权平均，得到全新的卷积网络 布朗运动，于是 滤波器。 pS,S-=NS,S-∑) (9) 7)模板更新：以第一帧中目标的中心点为中心， 式中：∑=diag(cno,)为对角协方差矩阵；p(SZ) 偏移量为士1个像素点范围内进行等尺寸采样，构成 正样本集合。以当前帧目标的远近两类距离采样， 为观测模型，用于评估观测结果Z,与目标的相似 构成负样本集合。跟踪过程中为了减轻漂移现象， 性。观测模型通过测量样本与目标之间的相似度来 预设一个更新阈值戶5，目标模板每5帧更新一次。 计算： p(Z,S)oc e-lvee(c)-vecc (10) 3实验结果与分析 于是，整个跟踪过程就是求最大响应： 本文利用MATLAB2014a编程环境，PC配置 S,argmaxp(Z,S )p(S,) (11) 为Inter Core i3-3220,3.3GHz,8GB内存，根据 2.4跟踪算法 Database OTB2013B2中提供的测试视频序列对算 前文给出了简单前馈卷积网络的特征提取方 法进行了仿真分析。本文仿真参数设置为：滑动窗 式，并采用高斯核函数对卷积计算进行加速处理， 口取片尺寸为6×6，滤波器个数为100，归一化尺寸 获取目标的深层次复杂表示。基于这种卷积特征， 为32×32，学习因子设置为0.95，粒子滤波器的目标 结合粒子滤波，提出的跟踪算法流程如图2所示。 状态的标准偏差设置为：σ.=4，σ，=4，c,=0.01,使用 N=300个粒子。 输人 读帧 3.1定性分析 首帧初始化 初始化与预处理 更新网络 限于论文篇幅，本文仅给出几组代表性的跟踪 和模板 实验结果。如图3(a)、(b)、(c)、(d)所示，比较的算法 预处理 提取前景背景样本 有CT、KCF1、CNT与本文算法。图示给出 提取初始滤波器组 深度卷积特征提取 Crossing、Football、Walking、Walking2四组序列，均 更新 特征匹配与定位 存在目标形变问题，其中Crossing、Walking、Walk ing2均是在低分辨率场景下的跟踪，Football、Walk- 输出· 最后一帧 ing、Walking22均存在局部遮挡问题。对于Cross- ing序列，随着目标的运动导致目标本身的尺度变 化，在低分辨率监控场景中，在第45帧，目标在行 图2跟踪算法流程图 Fig.2 Tracking flow chart 进过程中面临光线的干扰，并且出现运动车辆导致 的背景干扰，在所有比较的算法中，同样跟踪成功， 跟踪算法的主要步骤： 本算法性能都能达到最优。对于Football序列，目 1)输入：输人视频序列，并给定跟踪目标。 标在运动过程中，一直伴随着大量的形变问题，整 2)初始化：归一化，粒子滤波，网络规模，样本 个视频序列中大量的相似目标导致背景干扰问题， 容量等参数设置。 在第150帧目标进入人群中导致局部遮挡问题，本 3)初始滤波器提取：利用第一帧的目标，通过 文算法在所有算法中表现最优。对于Walking序 滑动窗口和K-means聚类提取一个初始滤波器组 列，目标在监控的低分辨场景中，目标运动过程中 用作后续网络的滤波器使用。 伴随着一定的尺度变换，并在第90帧出现柱子遮挡 4)卷积特征提取：利用上文的卷积网络结构提 目标的情况，本文算法在所有算法中表现最优。对 取出各候选样本的深层抽象特征，并使用高斯核函 于Walking.2序列，在监控的低分辨场景中，目标运 数进行加速。 动途中伴随着尺度变换、遮挡、背景干扰。在第190 5)粒子滤波：按照粒子滤波算法，归一化后生 帧与第360帧，目标均面临相似日标的背景干扰与 成规定尺寸大小的候选图片样本集，并进行目标识 遮挡，本文算法在所有算法中表现最优。p(St |Zt) ∝ p(Zt |St) ∫ p(St |St−1)p(St−1 |Zt−1)dSt−1 (8) S t = [xt yt st] T xt、yt st p(St |St−1) t−1 t 式中： ， 为目标的位置， 为尺度参 数； 为运动模型，用于根据第 帧的位置 预测第 帧的位置，假设目标状态参数是相互独立 的，可用 3 个高斯分布来描述，从而运动模型即为 布朗运动，于是 p(St |St−1) = N(St |St−1, ∑ ) (9) ∑ = diag(σx ,σy ,σt) p(St 式中： 为对角协方差矩阵； |Zt) 为观测模型，用于评估观测结果 Zt 与目标的相似 性。观测模型通过测量样本与目标之间的相似度来 计算： p(Zt |S i t ) ∝ e −|vec(Ct)−vec(C i t )| 1 2 (10) 于是，整个跟踪过程就是求最大响应： Sˆ t = argmax {S i t } N i=1 p(Zt |S i t )p(S i t ) (11) 2.4 跟踪算法 前文给出了简单前馈卷积网络的特征提取方 式，并采用高斯核函数对卷积计算进行加速处理， 获取目标的深层次复杂表示。基于这种卷积特征， 结合粒子滤波，提出的跟踪算法流程如图 2 所示。 跟踪算法的主要步骤： 1) 输入：输入视频序列，并给定跟踪目标。 2) 初始化：归一化，粒子滤波，网络规模，样本 容量等参数设置。 3) 初始滤波器提取：利用第一帧的目标，通过 滑动窗口和 K-means 聚类提取一个初始滤波器组 用作后续网络的滤波器使用。 4) 卷积特征提取：利用上文的卷积网络结构提 取出各候选样本的深层抽象特征，并使用高斯核函 数进行加速。 5) 粒子滤波：按照粒子滤波算法，归一化后生 成规定尺寸大小的候选图片样本集，并进行目标识 别与匹配。 6) 网络更新：采取限定阈值的方式，即当所有 粒子中最高的置信值低于阈值时，认为目标特征发 生较大表观变化，当前网络已无法适应，需要进行 更新。利用初始滤波器组，结合跟踪过程中得到前 景滤波器组，进行加权平均，得到全新的卷积网络 滤波器。 7) 模板更新：以第一帧中目标的中心点为中心， 偏移量为±1 个像素点范围内进行等尺寸采样，构成 正样本集合。以当前帧目标的远近两类距离采样， 构成负样本集合。跟踪过程中为了减轻漂移现象， 预设一个更新阈值 f=5，目标模板每 5 帧更新一次。 3 实验结果与分析 σx = 4,σy = 4,σt = 0.01 本文利用 MATLAB2014a 编程环境，PC 配置 为 Inter Core i3-3220，3.3 GHz，8 GB 内存，根据 Database OTB2013[3,21]中提供的测试视频序列对算 法进行了仿真分析。本文仿真参数设置为：滑动窗 口取片尺寸为 6×6，滤波器个数为 100，归一化尺寸 为 32×32，学习因子设置为 0.95，粒子滤波器的目标 状态的标准偏差设置为： ，使用 N = 300 个粒子。 3.1 定性分析 限于论文篇幅，本文仅给出几组代表性的跟踪 实验结果。如图 3(a)、(b)、(c)、(d) 所示，比较的算法 有 CT[7] 、KCF[15] 、CNT[18]与本文算法。图示给出 Crossing、Football、Walking、Walking2 四组序列，均 存在目标形变问题，其中 Crossing、Walking、Walk￾ing2 均是在低分辨率场景下的跟踪，Football、Walk￾ing、Walking2 均存在局部遮挡问题。对于 Cross￾ing 序列，随着目标的运动导致目标本身的尺度变 化，在低分辨率监控场景中，在第 45 帧，目标在行 进过程中面临光线的干扰，并且出现运动车辆导致 的背景干扰，在所有比较的算法中，同样跟踪成功， 本算法性能都能达到最优。对于 Football 序列，目 标在运动过程中，一直伴随着大量的形变问题，整 个视频序列中大量的相似目标导致背景干扰问题， 在第 150 帧目标进入人群中导致局部遮挡问题，本 文算法在所有算法中表现最优。对于 Walking 序 列，目标在监控的低分辨场景中，目标运动过程中 伴随着一定的尺度变换，并在第 90 帧出现柱子遮挡 目标的情况，本文算法在所有算法中表现最优。对 于 Walking2 序列，在监控的低分辨场景中，目标运 动途中伴随着尺度变换、遮挡、背景干扰。在第 190 帧与第 360 帧，目标均面临相似目标的背景干扰与 遮挡，本文算法在所有算法中表现最优。 ڑ䒿 ࡂ໷݉仂ፓ 䶰ะ⤲ ᣼ं݉໷␐∎ஔ㏰ 䄧ፓ ⤲䶰ะ̺ࡂ໷݉ ᮛ㗸ᮛᵣ᱘ݹं᣼ ⌝Ꮢࢣ➥厶ᒭ᣼ं ᰬऺ̬ፓ Y 䒿ܦ N ᰠ᫜ Y ᰠ᫜㑽㐈 সὍᲫ ➥ᒭࡥ䙹̺჆ѹ N 图 2 跟踪算法流程图 Fig. 2 Tracking flow chart 第 3 期 汪鸿翔，等：高斯核函数卷积神经网络跟踪算法 ·391·