第4期 刘威，等：基于特征融合及自适应模型更新的相关滤波目标跟踪算法 ·717· 标准数据集OTB-50和OTB-100中存在背景干扰 时存在目标遮挡问题，各组视频序列的帧数、目 问题的18组视频序列进行数值实验，其中9组同 标大小以及存在的问题信息见表1。 表1测试视频信息 Table 1 Test video information 测试视频 帧数 目标大小（像素×像素） 主要问题 测试视频 帧数 目标大小（像素×像素） 主要问题 Basketball 725 81×34 OCC,BC、IV Liquor 1741 210×73 OCC、BC、SV、IV CarDark 393 23×29 BC,IV Matrix 100 42×38 OCC、BC、SV、IV Coke 291 80×48 OCC、BC、IV Mhyang 1490 70×62 BC、IV Crossing 120 50×17 BC、SV MountainBike 228 56×67 BC David3 252 78×64 OCC、BC Shaking 365 71×61 BC、SV、V Deer 71 65×95 BC、MB Singer2 366 122×67 BC、IV Dudek 1145 36×51 OCC、BC、SV Skatingl 400 84×34 OCC、BC、SV Football 362 50×39 OCC、BC Subway 175 51×19 OCC、BC Footballl 74 43×26 BC Trellis 569 101×68 BC、SV、V 注：OCC一遮挡，BC一背景干扰，SV一尺度变化，IV一照明变化，MB一运动模糊 2.2评估方式 用固定学习率y=0.025,均采用同DSST相同的尺 为了评估目标跟踪算法的性能，本文使用如 度估计，除本文算法采用自适应模型更新策略 下评估指标：中心位置误差(center location error, 外，其他算法均采用每帧更新策略。实验结果如 CLE)、区域重叠准确率(region overlap precision,. 表2所示。可以看出，本文算法对18个视频的 OP)、距离精度(distance precision,DP)、跟踪速度 CLE、DP和OP指标均表现良好，跟踪长度也略 (frames per second,FPS)、跟踪长度(tracking length, 优于其他对比算法。本文算法得到的18组视频 TL)。其中CLE为检测到的目标中心与真实目标 的平均中心位置误差CLE为8.91，平均中心距离 中心间的平均欧氏距离，OP为检测区域与真实区 精度DP为92.92%，平均重叠面积精度0P为 域重叠面积超过一定阈值的视频帧数占视频总帧 81.65%,同其他两种算法表现最优的结果相比， 数的百分比，DP为中心位置误差小于一定阈值的 本文算法的平均中心位置误差CLE减少9.05，平 视频帧数占总帧数的百分比，FPS为每秒处理的 均中心距离精度DP增加12.2%，平均重叠面积精 视频帧数，TL为从跟踪开始到中心位置误差下降 度OP增加4.53%。 到一定阈值以下的帧数。CLE的值越小，OP、 2)背景干扰及目标遮挡下的跟踪实验 DP、FPS、TL的值越大，跟踪效果越好。 对存在严重背景干扰及目标遮挡的3组视频 2.3实验分析 Basketball、David3和Liquor序列进行实验，图1 本文共设计3组实验，第1组实验在18组测 所示为3组视频的跟踪曲线。从图1中(a)(c)可 试视频上对现有的两种算法（基于多维特征的 以看出，在Basketball数据集中，当期望重叠率为 DSST2算法、基于HOG特征的SRDCF算法I 0.5时，本章算法的重叠面积精度高于DSST算 法、SRDCF算法；在David3数据集中，本文算法 和本文的算法的跟踪效果进行对比；第2组实验 的重叠面积精度略低于SRDCF算法，优于DSST 重点测试算法在同时具有背景干扰及目标遮挡问 算法；在Liquor数据集中，本文算法的重叠率精 题的视频序列上的跟踪效果；第3组实验对比 度取得了同SRDCF算法相近的结果，优于DSST 3种跟踪算法的跟踪速度。 算法。由图(d)()的距离精度可以看出，当期望 1)跟踪效果对比实验 像素误差为20时，在Basketball数据集中，本文算 对18组存在背景干扰的视频进行实验，为确 法的距离精度远远高于SRDCF算法和DSST算 定每组视频的最优融合参数6，以步长为0.1，从 法；在David3数据集中，本文算法取得同SRD- 0~1对融合参数6进行采样测试，选择测试中最 CF算法，但都远远高于DSST算法；在Liquor 优的6如表2所示，验证本文算法和现有的两种 数据集中，本文算法的距离精度，略高于SRD 相关滤波跟踪算法的跟踪效果。所有实验中均采 CF算法，远高于DSST算法。当距离精度为标准数据集 OTB-50 和 OTB-100 中存在背景干扰 问题的 18 组视频序列进行数值实验，其中 9 组同 时存在目标遮挡问题，各组视频序列的帧数、目 标大小以及存在的问题信息见表 1。 表 1 测试视频信息 Table 1 Test video information 测试视频 帧数 目标大小/(像素×像素) 主要问题 测试视频 帧数 目标大小/(像素×像素) 主要问题 Basketball 725 81×34 OCC、BC、IV Liquor 1 741 210×73 OCC、BC、SV、IV CarDark 393 23×29 BC、IV Matrix 100 42×38 OCC、BC、SV、IV Coke 291 80×48 OCC、BC、IV Mhyang 1 490 70×62 BC、IV Crossing 120 50×17 BC、SV MountainBike 228 56×67 BC David3 252 78×64 OCC、BC Shaking 365 71×61 BC、SV、IV Deer 71 65×95 BC、MB Singer2 366 122×67 BC、IV Dudek 1 145 36×51 OCC、BC、SV Skating1 400 84×34 OCC、BC、SV Football 362 50×39 OCC、BC Subway 175 51×19 OCC、BC Football1 74 43×26 BC Trellis 569 101×68 BC、SV、IV 注：OCC—遮挡，BC—背景干扰，SV—尺度变化，IV—照明变化，MB—运动模糊 2.2 评估方式 为了评估目标跟踪算法的性能，本文使用如 下评估指标[11] ：中心位置误差 (center location error, CLE)、区域重叠准确率 (region overlap precision, OP)、距离精度 (distance precision, DP)、跟踪速度 (frames per second, FPS)、跟踪长度 (tracking length, TL)。其中 CLE 为检测到的目标中心与真实目标 中心间的平均欧氏距离，OP 为检测区域与真实区 域重叠面积超过一定阈值的视频帧数占视频总帧 数的百分比，DP 为中心位置误差小于一定阈值的 视频帧数占总帧数的百分比，FPS 为每秒处理的 视频帧数，TL 为从跟踪开始到中心位置误差下降 到一定阈值以下的帧数。CLE 的值越小，OP、 DP、FPS、TL 的值越大，跟踪效果越好。 2.3 实验分析 本文共设计 3 组实验，第 1 组实验在 18 组测 试视频上对现有的两种算法 (基于多维特征的 DSST[12] 算法、基于 HOG 特征的 SRDCF 算法[13] ) 和本文的算法的跟踪效果进行对比；第 2 组实验 重点测试算法在同时具有背景干扰及目标遮挡问 题的视频序列上的跟踪效果；第 3 组实验对比 3 种跟踪算法的跟踪速度。 1) 跟踪效果对比实验 δ δ δ 对 18 组存在背景干扰的视频进行实验，为确 定每组视频的最优融合参数 ，以步长为 0.1，从 0~1 对融合参数 进行采样测试，选择测试中最 优的 如表 2 所示，验证本文算法和现有的两种 相关滤波跟踪算法的跟踪效果。所有实验中均采 用固定学习率 γ=0.025 ，均采用同 DSST 相同的尺 度估计，除本文算法采用自适应模型更新策略 外，其他算法均采用每帧更新策略。实验结果如 表 2 所示。可以看出，本文算法对 18 个视频的 CLE、DP 和 OP 指标均表现良好，跟踪长度也略 优于其他对比算法。本文算法得到的 18 组视频 的平均中心位置误差 CLE 为 8.91，平均中心距离 精度 DP 为 92.92%，平均重叠面积精度 OP 为 81.65%，同其他两种算法表现最优的结果相比， 本文算法的平均中心位置误差 CLE 减少 9.05，平 均中心距离精度 DP 增加 12.2%，平均重叠面积精 度 OP 增加 4.53%。 2) 背景干扰及目标遮挡下的跟踪实验 对存在严重背景干扰及目标遮挡的 3 组视频 Basketball、David3 和 Liquor 序列进行实验，图 1 所示为 3 组视频的跟踪曲线。从图 1 中 (a)~(c) 可 以看出，在 Basketball 数据集中，当期望重叠率为 0.5 时，本章算法的重叠面积精度高于 DSST 算 法、SRDCF 算法；在 David3 数据集中，本文算法 的重叠面积精度略低于 SRDCF 算法，优于 DSST 算法；在 Liquor 数据集中，本文算法的重叠率精 度取得了同 SRDCF 算法相近的结果，优于 DSST 算法。由图 (d)~(f) 的距离精度可以看出，当期望 像素误差为 20 时，在 Basketball 数据集中，本文算 法的距离精度远远高于 SRDCF 算法和 DSST 算 法；在 David3 数据集中，本文算法取得同 SRD￾CF 算法，但都远远高于 DSST 算法；在 Liquor 数据集中，本文算法的距离精度，略高于 SRD￾CF 算法，远高于 DSST 算法。当距离精度为 第 4 期 刘威，等：基于特征融合及自适应模型更新的相关滤波目标跟踪算法 ·717·