第1期 宁欣，等：一种自适应模板更新的判别式KC℉跟踪方法 ·125· 2.3不同属性的视频跟踪 3结束语 本节针对具有目标形状变化、目标被遮挡和 快速运动等属性的视频序列，分别进行目标跟踪 本文在充分分析、研究和实验的基础上，取 测试，以验证提出的跟踪算法对于上述挑战的鲁 得了以下几点结论：)提出一种基于外观判别式 棒性。表2给出了本文新构架和对比算法在OTB-100 分类器的跟踪质量判定方法，旨在判断当前跟踪 数据集上，对于不同属性视频的跟踪结果。由表2 状态是否正常，以便及时恢复丢失的目标；2)提 可以看出，本文提出的新构架对于上述挑战的有效性。 出了一种新的自适应模板更新策略，在提高跟踪 表2本文新构架对不同属性视频的跟踪结果 速度的同时，能够判断当前跟踪的目标是否发生 Table 2 Tracking results on videos with sequence attrib- 形状变化，以增强模板的泛化能力；3)提出一种 utes % 融合跟踪质量判定和模板自适应更新的跟踪新构 方法 精确度 架，旨在实时判断当前跟踪目标所处状态，同时 遮挡 快速运动 平面内/外旋转 制定出不同的机制恢复丢失的目标，实现了高效 KCFB] 74.90 65.00 74.00 的目标跟踪。后续作者将致力于将现有跟踪算法 Struck4 58.40 53.90 52.10 和深度学习结合用于安防监控中的异常行为分 TLD U9 58.30 57.60 51.20 析、客流量统计和警戒区域报警等应用中。 LMCF U16] 62.70 61.60 58.85 AU DKCF 75.80 72.10 79.90 参考文献： 2.4 跟踪结果可视化 [1]YILMAZ A,JAVED O,SHAH M.Object tracking:a Sur- 本节给出了本文新框架的跟踪可视化效果， vey[J].ACM computing surveys,2006,38(4):45-50. 以展示本文方法的有效性。图3~5分别给出了本 [2]CANNONS K.A review of visual tracking[R].Technical 文AU DKCF和经典滤波算法（线性相关滤波DCF Report CSE 2008-07.York University,Canada,2008 和核相关滤波KC℉)对旋转属性的视频，快速运 [3]HENRIQUES J F,CASEIRO R,MARTINS P,et al.High- 动属性的视频和遮挡属性的视频的跟踪结果。从 speed tracking with kernelized correlation filters[J].IEEE 图中可以观察得到，新框架在处理具备旋转挑战 transactions on pattern analysis and machine intelli-gence, 的视频时，获得了更优的性能。图3~5中，绿色框 2015,37(3):583-596. 表示Groundruth,紫色框表示DCF,蓝色框表示 [4]DANELLJAN F M,KHAN F S,FELSBERG M,et al.Ad- KCF,红色框表示AU DKCF。 aptive color attributes for real-time visual track- #:000 ing[C]//Proceedings of the 20014 IEEE Conference on Computer Vision and Pattern Recognition.Columbus, USA.2014:1090-1097. (a)1帧 (b)65帧 (c)236帧 [5]JIA Xu,LU Huchuan,YANG M H.Visual tracking via ad- aptive structural local sparse appearance mod-el[C]//Pro- 图3足球视频的可视化跟踪结果 ceedings of the 2012 IEEE Conference on Computer Vis- Fig.3 Visualizing tracking result of soccer ion and Pattern Recognition.Providence,USA,2012: #0386 1822-1829 [6]KALAL Z,MIKOLAJCZYK K,MATAS J.Track-ing- learning-detection[J].IEEE transactions on pattern analys is and machine intelligence,2012,34(7):1409-1422 (a)1帧 (b)386帧 (c)486帧 [7]KWON J,LEE K M.Visual tracking decomposi- 图4行人视频的可视化跟踪结果 tion[C]//Proceedings of the 2010 IEEE Computer Society Fig.4 Visualizing tracking result of boy Conference on Computer Vision and Pattern Recognition 0001 地0024 0445国 San Francisco,USA,2010:1269-1276 [8]ROSS DA,LIM J,LIN R S,et al.Incremental learning for robust visual tracking[J].International journal of computer vision,.2008,77(1/2/3):125-141. (a)1帧 (b)24帧 (c)445帧 [9]HONG S,YOU T,KWAK S,et al.Online tracking by 图5篮球视频的可视化跟踪结果 learning discriminative saliency map with convolutional Fig.5 Visualizing tracking result of basketball neural network[Cl//Proceedings of the 32nd International2.3 不同属性的视频跟踪 本节针对具有目标形状变化、目标被遮挡和 快速运动等属性的视频序列，分别进行目标跟踪 测试，以验证提出的跟踪算法对于上述挑战的鲁 棒性。表 2 给出了本文新构架和对比算法在 OTB-100 数据集上，对于不同属性视频的跟踪结果。由表 2 可以看出，本文提出的新构架对于上述挑战的有效性。 2.4 跟踪结果可视化 本节给出了本文新框架的跟踪可视化效果， 以展示本文方法的有效性。图 3~5 分别给出了本 文 AU_DKCF 和经典滤波算法 (线性相关滤波 DCF 和核相关滤波 KCF) 对旋转属性的视频，快速运 动属性的视频和遮挡属性的视频的跟踪结果。从 图中可以观察得到，新框架在处理具备旋转挑战 的视频时，获得了更优的性能。图 3~5 中，绿色框 表示 Groundruth，紫色框表示 DCF，蓝色框表示 KCF，红色框表示 AU_DKCF。 3 结束语 本文在充分分析、研究和实验的基础上，取 得了以下几点结论：1) 提出一种基于外观判别式 分类器的跟踪质量判定方法，旨在判断当前跟踪 状态是否正常，以便及时恢复丢失的目标；2) 提 出了一种新的自适应模板更新策略，在提高跟踪 速度的同时，能够判断当前跟踪的目标是否发生 形状变化，以增强模板的泛化能力；3) 提出一种 融合跟踪质量判定和模板自适应更新的跟踪新构 架，旨在实时判断当前跟踪目标所处状态，同时 制定出不同的机制恢复丢失的目标，实现了高效 的目标跟踪。后续作者将致力于将现有跟踪算法 和深度学习结合用于安防监控中的异常行为分 析、客流量统计和警戒区域报警等应用中。 参考文献： YILMAZ A, JAVED O, SHAH M. Object tracking: a Sur￾vey[J]. ACM computing surveys, 2006, 38(4): 45–50. [1] CANNONS K. A review of visual tracking[R]. Technical Report CSE 2008-07. York University, Canada, 2008. [2] HENRIQUES J F, CASEIRO R, MARTINS P, et al. High￾speed tracking with kernelized correlation filters[J]. IEEE transactions on pattern analysis and machine intelli-gence, 2015, 37(3): 583–596. [3] DANELLJAN F M, KHAN F S, FELSBERG M, et al. Ad￾aptive color attributes for real-time visual track￾ing[C]//Proceedings of the 20014 IEEE Conference on Computer Vision and Pattern Recognition. Columbus, USA, 2014: 1090–1097. [4] JIA Xu, LU Huchuan, YANG M H. Visual tracking via ad￾aptive structural local sparse appearance mod-el[C]//Pro￾ceedings of the 2012 IEEE Conference on Computer Vis￾ion and Pattern Recognition. Providence, USA, 2012: 1822–1829. [5] KALAL Z, MIKOLAJCZYK K, MATAS J. Track-ing￾learning-detection[J]. IEEE transactions on pattern analys￾is and machine intelligence, 2012, 34(7): 1409–1422. [6] KWON J, LEE K M. Visual tracking decomposi￾tion[C]//Proceedings of the 2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. San Francisco, USA, 2010: 1269–1276. [7] ROSS D A, LIM J, LIN R S, et al. Incremental learning for robust visual tracking[J]. International journal of computer vision, 2008, 77(1/2/3): 125–141. [8] HONG S, YOU T, KWAK S, et al. Online tracking by learning discriminative saliency map with convolutional neural network[C]//Proceedings of the 32nd International [9] 表 2 本文新构架对不同属性视频的跟踪结果 Table 2 Tracking results on videos with sequence attrib￾utes % 方法 精确度 遮挡 快速运动 平面内/外旋转 KCF [3] 74.90 65.00 74.00 Struck [14] 58.40 53.90 52.10 TLD [19] 58.30 57.60 51.20 LMCF [16] 62.70 61.60 58.85 AU_DKCF 75.80 72.10 79.90 (a) 1 帧 (b) 65 帧 (c) 236 帧 #: 0001 #: 0065 #: 0236 图 3 足球视频的可视化跟踪结果 Fig. 3 Visualizing tracking result of soccer (a) 1 帧 (b) 386 帧 (c) 486 帧 #: 0001 #: 0386 #: 0486 图 4 行人视频的可视化跟踪结果 Fig. 4 Visualizing tracking result of boy (a) 1 帧 (b) 24 帧 (c) 445 帧 #: 0001 #: 0024 #: 0445 图 5 篮球视频的可视化跟踪结果 Fig. 5 Visualizing tracking result of basketball 第 1 期 宁欣，等：一种自适应模板更新的判别式 KCF 跟踪方法 ·125·