第1期 宁欣，等：一种自适应模板更新的判别式KC℉跟踪方法 ·123· 训练 A 特征提取 目标检测 初始化 法展 模板学习 HOG+CN PCA处理 判别模型学习 样本选取 类别约束 判别模型 在线跟踪 特征提取 当前输出 响应图 模板 基于外观判别 跟踪正常 判别模型 更新 模型的跟踪质量 判定 集合更新 跟踪异常 快速运动 HOG+CN 自适应模板 遮挡或者 更新策略 快速运动 目标检测 跟踪旋转 当前 模板更新 新判别 判别模型 模型学习 集合更新 图1目标跟踪新框架图示 Fig.1 Overview of the proposed framework for visual tracking 5)针对易混淆的训练样本，在模型学习的过 1.2 自适应模板更新策略 程中加入类别约束，对易错分的样本进行惩罚， 本节给出了一种基于极小值的模板更新策 使得特征的类别信息更明显，判别能力更强。针 略，旨在针对性地筛选出不同形状以及与背景相 对出现错分的样本：若隶属于目标的样本特征 似度较大的目标样本，用于对当前模板进行更 f被错分到背景类别中，即f,在目标中的类别判 新，以增强模板对于不同形状和与背景相似的正 分小于在背景中的判分；若隶属于背景的样本特 样本的泛化能力。 征无被错分到目标类别中，即无ea在目标中的类 目标跟踪过程中，可观察到置信度呈现先下 别判分大于在背景中的判分。因此，引入下列类 降后上升的趋势，有2种情况可以解释：1)目标 别约束条件： 形状从偏离初始模板到逐渐恢复至与模板相似， s(foj.svm)-s(fid,svm)>0 (1) 如目标的平面内旋转；2)目标形状发生变化的过 6)采用KC℉获取测试帧的跟踪结果，并计算 程中，目标形状逐渐偏离初始模板，而背景中存 跟踪区域对应的特征f在集合SVM下的判分 在与初始模板相近的区域，导致目标所在位置框 s(f,SVMb),以判断当前目标的跟踪状态trk sta是 朝着背景方向漂移，如目标平面外的旋转。为了 否正常，计算如式(2)、式(3)： 能够让模板具有较好的鲁棒性，需要同时保证图 s(f,SVMbi)=max(s(f,svm),i=1,2,....n) (2) 像标签为1的正样本的数量和多样性，当上述 (normal,s(f,SVMobj)>Tsco 2种情况出现时表示目前样本的状态发生了变 trk_sta= (3) abnormal,.其他 化，需要对模板及时进行更新，使得跟踪器具有 式中：n表示外观判别模型的数目；T表示 更好的检测性能。因此，模板的更新条件设置 跟踪结果在判别模型中的判分阈值。若trk sta= 为：连续多帧目标跟踪框的置信度呈现先增后减 normal,.表明跟踪结果可信；否则，表明目标状态 的趋势，即伴随有极小值的出现。基于这样的思 变化，可能发生旋转、目标快速运动或者被遮挡 想，本文基于极值的模板更新策略具体过程如下。 等情况。 1)输入下一帧图像，采用KCF算法进行跟fobj fobj fbgd fbgd 5) 针对易混淆的训练样本，在模型学习的过 程中加入类别约束，对易错分的样本进行惩罚， 使得特征的类别信息更明显，判别能力更强。针 对出现错分的样本：若隶属于目标的样本特征 被错分到背景类别中，即 在目标中的类别判 分小于在背景中的判分；若隶属于背景的样本特 征 被错分到目标类别中，即 在目标中的类 别判分大于在背景中的判分。因此，引入下列类 别约束条件： s(fobj,svm1)− s(fbgd,svm1) > 0 (1) f SVMobj s (f,SVMobj) trk_sta 6) 采用 KCF 获取测试帧的跟踪结果，并计算 跟踪区域对应的特征 在集合 下的判分 ，以判断当前目标的跟踪状态 是 否正常，计算如式 (2)、式 (3)： s(f,SVMobj) = max(s(f,svmi),i = 1,2,··· ,n) (2) trk_sta = { normal, s(f,SVMobj) >Tsco abnormal, 其他 (3) n Tsco trk_sta = normal 式中： 表示外观判别模型的数目； 表 示 跟踪结果在判别模型中的判分阈值。若 ，表明跟踪结果可信；否则，表明目标状态 变化，可能发生旋转、目标快速运动或者被遮挡 等情况。 1.2 自适应模板更新策略 本节给出了一种基于极小值的模板更新策 略，旨在针对性地筛选出不同形状以及与背景相 似度较大的目标样本，用于对当前模板进行更 新，以增强模板对于不同形状和与背景相似的正 样本的泛化能力。 目标跟踪过程中，可观察到置信度呈现先下 降后上升的趋势，有 2 种情况可以解释：1) 目标 形状从偏离初始模板到逐渐恢复至与模板相似， 如目标的平面内旋转；2) 目标形状发生变化的过 程中，目标形状逐渐偏离初始模板，而背景中存 在与初始模板相近的区域，导致目标所在位置框 朝着背景方向漂移，如目标平面外的旋转。为了 能够让模板具有较好的鲁棒性，需要同时保证图 像标签为 1 的正样本的数量和多样性，当上述 2 种情况出现时表示目前样本的状态发生了变 化，需要对模板及时进行更新，使得跟踪器具有 更好的检测性能。因此，模板的更新条件设置 为：连续多帧目标跟踪框的置信度呈现先增后减 的趋势，即伴随有极小值的出现。基于这样的思 想，本文基于极值的模板更新策略具体过程如下。 1) 输入下一帧图像，采用 KCF 算法进行跟 目标检测 初始化 样本选取 特征提取 特征提取 或 训练 HOG+CN PCA 处理 在线跟踪 判别模型学习 判别模型 类别约束 模板学习 模板 更新 模板更新 响应图 跟踪正常 判别模型 集合更新 判别模型 集合更新 目标检测 遮挡 快速 运动 当前输出 跟踪 异常 跟踪 旋转 遮挡或者 快速运动 新判别 模型学习 HOG+CN 当前 输入 基于外观判别 模型的跟踪质量 判定 自适应模板 更新策略 图 1 目标跟踪新框架图示 Fig. 1 Overview of the proposed framework for visual tracking 第 1 期 宁欣，等：一种自适应模板更新的判别式 KCF 跟踪方法 ·123·