第3期 刘吉伟，等：采用相关滤波的水下海参目标跟踪 ·531· 表4是当阈值s0选定为0.5时各算法的成功 管道检测[U.机器人，2010,32(5)592-600 率，其中最后一行是各算法在所有视频上按帧数 TANG Xudong,PANG Yongjie,ZHANG He,et al.Un- 的加权平均值。本文算法在所有视频上均取得了 derwater pipeline detection by AUV based on monocular 最高值，比DSST算法高4.4%，比排在第3位的 vision[J].Robot,,2010,32(5):592-600. STC算法高47.5%。虽然DSST算法跟踪成功率 [3]曾文静，徐玉如，万磊，等.自主式水下机器人的光视觉 与本文算法接近，但由表2可见该算法速度很慢， 管道探测跟踪系统).上海交通大学学报，2012,46(2)： 178-183,189. 在实时性要求较高的水下海参采捕中难以应用。 ZENG Wenjing,XU Yuru,WAN Lei,et al.Robotics vis- 表4平均成功率 ion-based system of autonomous underwater vehicle for an Table 4 Average success rate underwater pipeline tracker[J].Journal of Shanghai Jiao- 类别 DSST KCF CSK STC OURS tong University,2012,46(2:178-183,189 视频1 0.900 0.500 0.489 0.350 0.972 [4]吴利红，许文海，王利鹏.AUV水下终端对接目标识别 视频2 与定位技术U.大连海事大学学报，2014,40(2)：81-85. 1.000 0.407 0.406 0.307 1.000 WU Lihong,XU Wenhai,WANG Lipeng.Dock position 视频3 1.000 0.452 0.452 0.900 1.000 and pose estimation algorithm for AUV underwater termin- 视频4 0.741 0.338 0.337 0.139 0.955 al docking[J].Journal of Dalian Maritime University. 视频5 1.000 0.319 0.309 0.246 1.000 2014.40(2):81-85 视频6 1.000 0.639 0.634 0.320 1.000 [5]WU Yi,LIM J,YANG M H.Online object tracking:a benchmark[C]//Proceedings of 2013 IEEE Conference on 视频7 1.000 0.984 0.968 0.648 1.000 Computer Vision and Pattern Recognition.Portland,OR. 平均值 0.955 0.487 0.487 0.524 0.999 USA,2013:2411-2418 [6]BOLME D S,BEVERIDGE J R,DRAPER B A,et al. 4结束语 Visual object tracking using adaptive correlation filters[Cl//The Twenty-Third IEEE Conference on Com- 针对跟踪水下尺度变化的海参，在核相关滤 puter Vision and Pattern Recognition,CVPR 2010.San 波器基础上提出了一种可以追踪尺度变化海参的 Francisco.CA.USA.2010:13-18. 算法。首先把追踪模块合理地选择在海参的两头 [7]HENRIQUES J F,CASEIRO R,MARTINS P,et al.Ex- 部；然后用KCF算法追踪两个头部，通过两个模 ploiting the circulant structure of tracking-by-detection 块间距离来检测海参的尺度并计算出海参的中 with kernels[C]//Proceedings of the 12th European Confer- 心。通过对比实验，本文算法的跟踪速度、精度 ence on Computer Vision Computer Vision-ECCV 2012. 和成功率均高于其他其他算法，能较好地处理尺 Florence,Italy,2012:702-715. 度和旋转变化等问题。虽然DSST算法跟踪成功 [8]HENRIQUES J F,CASEIRO R,MARTINS P,et al.High 率与本文算法接近，但由于DSST算法跟踪速度 speed tracking with kernelized correlation filters[J].IEEE 很慢，不能满足对实时性要求较高的水下海参采 transactions on pattern analysis and machine intelligence, 2015,37(3)583-596. 捕的实际跟踪过程。下一步的工作：将算法应用 [9]杨德东，蔡玉柱，毛宁，等.采用核相关滤波器的长期目 到海参采捕水下机器人样机进行采捕实验，针对 标跟踪.光学精密工程，2016,24(8)：2037-2049 出现的问题进行更深入研究，以进一步提高跟踪 YANG Dedong,CAI Yuzhu,MAO Ning,et al.Long-term 算法的鲁棒性。 object tracking based on kernelized correlation Filters. 参考文献： Optics and precision engineering,2016,24(8):2037-2049 [10]ZHANG Kaihua,ZHANG Lei,LIU Qingshan,et al.Fast [1]郭传鑫，李振波，乔曦，等.基于融合显著图与GrabCut visual tracking via dense spatio-temporal context learn- 算法的水下海参图像分割).农业机械学报，2015(S1): ing[C]//Proceedings of the 13th European Conference on 147-152 Computer Vision.Zurich,Switzerland,2014:127-141. GUO Chuanxin,LI Zhenbo,QIAO Xi,et al.Image seg- [11]张雷，王延杰，刘艳滢，等.基于相关滤波器的视觉目标 mentation of underwater sea cucumber using GrabCut with 跟踪方法.光电子·激光，2015,26(7)：1349-1357. saliency map[J].Transactions of the Chinese society for ZHANG Lei,WANG Yanjie,LIU Yanying,et al.Visual agricultural machinery,2015(S1):147-152. object tracking algorithm based on correlation filters[]. [2]唐旭东，庞永杰，张赫，等.基于单目视觉的水下机器人 Journal of optoelectronics laser,2015,26(7):1349-1357.表 4 是当阈值 s0 选定为 0.5 时各算法的成功 率，其中最后一行是各算法在所有视频上按帧数 的加权平均值。本文算法在所有视频上均取得了 最高值，比 DSST 算法高 4.4%，比排在第 3 位的 STC 算法高 47.5%。虽然 DSST 算法跟踪成功率 与本文算法接近，但由表 2 可见该算法速度很慢， 在实时性要求较高的水下海参采捕中难以应用。 表 4 平均成功率 Table 4 Average success rate 类别 DSST KCF CSK STC OURS 视频 1 0.900 0.500 0.489 0.350 0.972 视频 2 1.000 0.407 0.406 0.307 1.000 视频 3 1.000 0.452 0.452 0.900 1.000 视频 4 0.741 0.338 0.337 0.139 0.955 视频 5 1.000 0.319 0.309 0.246 1.000 视频 6 1.000 0.639 0.634 0.320 1.000 视频 7 1.000 0.984 0.968 0.648 1.000 平均值 0.955 0.487 0.487 0.524 0.999 4 结束语 针对跟踪水下尺度变化的海参，在核相关滤 波器基础上提出了一种可以追踪尺度变化海参的 算法。首先把追踪模块合理地选择在海参的两头 部；然后用 KCF 算法追踪两个头部，通过两个模 块间距离来检测海参的尺度并计算出海参的中 心。通过对比实验，本文算法的跟踪速度、精度 和成功率均高于其他其他算法，能较好地处理尺 度和旋转变化等问题。虽然 DSST 算法跟踪成功 率与本文算法接近，但由于 DSST 算法跟踪速度 很慢，不能满足对实时性要求较高的水下海参采 捕的实际跟踪过程。下一步的工作：将算法应用 到海参采捕水下机器人样机进行采捕实验，针对 出现的问题进行更深入研究，以进一步提高跟踪 算法的鲁棒性。 参考文献： 郭传鑫, 李振波, 乔曦, 等. 基于融合显著图与 GrabCut 算法的水下海参图像分割[J]. 农业机械学报, 2015(S1): 147–152. GUO Chuanxin, LI Zhenbo, QIAO Xi, et al. Image seg￾mentation of underwater sea cucumber using GrabCut with saliency map[J]. Transactions of the Chinese society for agricultural machinery, 2015(S1): 147–152. [1] [2] 唐旭东, 庞永杰, 张赫, 等. 基于单目视觉的水下机器人 管道检测[J]. 机器人, 2010, 32(5): 592–600. TANG Xudong, PANG Yongjie, ZHANG He, et al. Un￾derwater pipeline detection by AUV based on monocular vision[J]. Robot, 2010, 32(5): 592–600. 曾文静, 徐玉如, 万磊, 等. 自主式水下机器人的光视觉 管道探测跟踪系统[J]. 上海交通大学学报, 2012, 46(2): 178–183, 189. ZENG Wenjing, XU Yuru, WAN Lei, et al. Robotics vis￾ion-based system of autonomous underwater vehicle for an underwater pipeline tracker[J]. Journal of Shanghai Jiao￾tong University, 2012, 46(2): 178–183, 189. [3] 吴利红, 许文海, 王利鹏. AUV 水下终端对接目标识别 与定位技术[J]. 大连海事大学学报, 2014, 40(2): 81–85. WU Lihong, XU Wenhai, WANG Lipeng. Dock position and pose estimation algorithm for AUV underwater termin￾al docking[J]. Journal of Dalian Maritime University, 2014, 40(2): 81–85. [4] WU Yi, LIM J, YANG M H. Online object tracking: a benchmark[C]//Proceedings of 2013 IEEE Conference on Computer Vision and Pattern Recognition. Portland, OR, USA, 2013: 2411–2418. [5] BOLME D S , BEVERIDGE J R , DRAPER B A , et al. Visual object tracking using adaptive correlation filters[C]//The Twenty-Third IEEE Conference on Com￾puter Vision and Pattern Recognition, CVPR 2010.San Francisco, CA, USA, 2010:13-18. [6] HENRIQUES J F, CASEIRO R, MARTINS P, et al. Ex￾ploiting the circulant structure of tracking-by-detection with kernels[C]//Proceedings of the 12th European Confer￾ence on Computer Vision Computer Vision-ECCV 2012. Florence, Italy, 2012: 702–715. [7] HENRIQUES J F, CASEIRO R, MARTINS P, et al. High￾speed tracking with kernelized correlation filters[J]. IEEE transactions on pattern analysis and machine intelligence, 2015, 37(3): 583–596. [8] 杨德东, 蔡玉柱, 毛宁, 等. 采用核相关滤波器的长期目 标跟踪[J]. 光学精密工程, 2016, 24(8): 2037–2049. YANG Dedong, CAI Yuzhu, MAO Ning, et al. Long-term object tracking based on kernelized correlation Filters[J]. Optics and precision engineering, 2016, 24(8): 2037–2049. [9] ZHANG Kaihua, ZHANG Lei, LIU Qingshan, et al. Fast visual tracking via dense spatio-temporal context learn￾ing[C]//Proceedings of the 13th European Conference on Computer Vision. Zurich, Switzerland, 2014: 127–141. [10] 张雷, 王延杰, 刘艳滢, 等. 基于相关滤波器的视觉目标 跟踪方法[J]. 光电子·激光, 2015, 26(7): 1349–1357. ZHANG Lei, WANG Yanjie, LIU Yanying, et al. Visual object tracking algorithm based on correlation filters[J]. Journal of optoelectronics laser, 2015, 26(7): 1349–1357. [11] 第 3 期 刘吉伟，等：采用相关滤波的水下海参目标跟踪 ·531·