随着计算机技术及数字图像处理技术的快速发展，基于视频序列的运动目标检测与跟踪是计算机视觉的一个重要的研究方向，目前已被广泛的应用于各个领域，如智能交通、视频监控、无人机跟踪、人机交互等，实现了用计算机代替人眼对外界物体的运动进行智能分析，为人们的生活和工作提供了很大的便利[1-2]。近年来各种目标检测与目标跟踪的技术已日趋成熟，有基于颜色信息进行跟踪的方法，如Mean Shift算法[3-5]、模糊C均值聚类[6-9]；有基于纹理的方法，如核相关滤波算法(Kernerlized Correlation Filter，KCF)[10-14]、尺度空间判别跟踪算法(Discriminative Scale Space Tracking，DSST)[15]。目前很多跟踪方法也将深度学习的思路融入其中[16-18]，并且取得了长足的进步。

视频序列中目标跟踪的难点在于目标移动过程中可能出现被其他物体遮挡、目标形状发生变化以及目标发生旋转等情况，从而造成跟踪失败。本文通过对目标分割成多个区域分别跟踪以及采用多个区域的模板分别更新这两个策略以期望算法能够在一定程度上容忍目标在移动过程中出现的形变和部分遮挡情况。实验结果证明所采用的方法达到了预期。

接下来，本文将分别介绍算法的模板更新策略以及定位策略。

1 目标多区域分割跟踪方法

在实际场景中，经常会遇到目标在移动过程中由于视角的变化等原因导致目标形态发生变化，以及由于目标在移动过程中被其他物体遮挡等原因导致目标只有部分区域出现在图像中，这些都会导致跟踪算法性能降低。针对此种情况，本文提出了一种新的搜索定位方法，即对目标中的多个区域进行跟踪，此方法可以在一定程度上解决由于目标部分遮挡以及形变等原因造成跟踪算法性能下降的问题。

1.1 模板选择策略

目前将目标分割为多个区域主要有两种划分方法，分别是划分为相互重叠的区域以及划分为相互不重叠的区域。将目标划分为相互不重叠的区域，可以简化计算；将目标划分为相互重叠的区域，可以增加目标可用区域，使得选取的目标区域位置更加合理。本文选择对目标划分为部分相互重叠的区域，其中重叠率为50%，如图1所示，其中，阴影部分为相邻模块的重叠区域。

在得到目标的多个区域位置后，对目标区域进行筛选。首先利用式(1)计算目标区域特征，筛选的准则是特征稳定且特征尽可能大的区域。

其中，fbi表示第i个区域的特征值；ω表示区域距离中心的权重信息，距离中心越远权重越小，反之越大；fi表示目标的纹理特征值(由n个子特征值组成，第k的子特征值为xk)，特征值越大表示是目标的可能性就越大，跟踪过程中此特征就越稳定。将式(1)计算得到的多个区域值按fbi特征值由大到小进行排序，然后选择其中3个区域作为定位区域，另外将目标中心区域一同作为定位区域使用，这样最终获得了4个定位区域。考虑到所选区域的多样性，在进行区域选择时，尽量不要选择距离很近的两个区域作为定位区域。

1.2 搜索定位策略

接下来的问题是如何找到两个目标的相似性。计算目标相似性本文使用的是相关滤波的方法，见式(2)，值越小表示相似度越高。

算法中为了增加抗干扰性能，使用了多个区域对目标进行定位，通过式(3)计算整个目标区域的相关性。

式中，λbi表示第i个区域对整个结果的重要性，可以用高斯滤波表示。为了使得计算结果更加稳定且准确，在确定λbi值时需要注意：目标中心区域中的λbi所占的比重会比周围的区域大，另外区域特征值越大，给出的λbi也会越大。

1.3 模板更新策略

模板是直接影响下一帧搜索结果的一个很重要的因素，若模板选择不合理，将会导致跟踪结果出现偏差，甚至跟踪到完全错误的物体上。根据实验可知，如果模板每帧都在更新，若出现遮挡等情况时，就会造成模板被污染，导致跟踪失败。本文中，模版更新采用不同的目标区域，其更新的权重不同，这样可以使得模板更新相对精确，从而避免由于遮挡等原因造成误更新问题。模板更新公式如下：

2 实验结果分析

KCF是目前跟踪算法相对比较出色的一种相关滤波算法，采用脊回归以及循环卷积等方法取得了较好的跟踪效果。下述实验将KCF与本文提出的方法进行对比分析，如图2所示。

图2中，虚线框代表KCF跟踪效果，实线框代表本文算法，在跟踪过程未遇到障碍物之前KCF方法与本文算法跟踪效果类似，都能相对准确地跟踪到目标；当障碍物刚开始遮挡目标时，KCF方法也可以跟踪到目标，但是偏差会越来越大，本文方法可以相对准确地跟踪部分遮挡的目标；当目标从障碍物的另一个方向出现时，KCF并没有及时地跟踪到目标，但是本文方法能够跟踪到目标，这主要得益于本文方法使用的多区域跟踪以及多帧更新模板的策略。

由上述实验结果可以看出，本文对于跟踪目标的形变以及遮挡等情况有一定的抗干扰能力。

3 结论

目标跟踪过程中，本文使用的多区域目标跟踪策略以及不同权重的多帧更新模板策略在一定程度上可以减少由于目标形变以及障碍物遮挡造成的跟踪丢失的情况，即具有一定的鲁棒性，能够较好地实现目标的实时跟踪。

参考文献

[1] 袁宝红.基于视频的运动目标检测与跟踪研究[D].合肥：安徽大学，2014.

[2] 祁淑霞.基于形状上下文和粒子滤波的多目标跟踪[J].电子技术应用，2015，41(1)：156-160.

[3] VOJIR T，NOSKOVA J，MATAS J.Robust scale-adaptive mean-shift for tracking[C].SCIA，2013：652-663.

[4] 李红波，曾德龙，吴渝.基于Mean-Shift和粒子滤波的两步多目标跟踪方法[J].重庆邮电大学学报(自然科学版)，2010(1)：112-117，121.

[5] 周杨，胡桂明，黄东芳.基于边缘自适应的Mean Shift目标跟踪方法[J].电子技术应用，2017(5)：138-142.

[6] 王小鹏，张永芳，王伟，等.基于自适应滤波的快速广义模糊C均值聚类图像分割[J].模式识别与人工智能，2018，31(11)：1040-1046.

[7] 郝慧娟，许继勇，刘广起.基于自适应分块的视频目标跟踪方法研究[J].计算机应用研究，2010，27(9)：3579-3580，3590.

[8] 许辰铭.视频图像中的运动目标检测与跟踪[D].南京：南京邮电大学，2012.

[9] HENRIQUES J F，CASEIRO R，MARTINS P，et al.High-speed tracking with kernelized correlation filters[J].TPAMI，2015，37(3)：583-596.

[10] HENRIQUES J F，CASEIRO R，MARTINS P，et al.Exploiting the circulant structure of tracking-by-detection with kernels[C].ECCV，2012.

[11] 刘延飞，何燕辉，张薇，等.基于异常值检测的KCF目标丢失预警方法研究[J].计算机工程与应用，2018，54(22)：216-222.

[12] DANELLJAN M，H?魧GER G，KHAN F S，et al.Accurate scale estimation for robust visual tracking[C].Proceedings of the British Machine Vision Conference(BMVC)，2014.

[13] DANELLJAN M，H?魧GER G，KHAN F S，et al.Michael felsberg. discriminative scale space tracking[J].TPAMI，2017，39(8)：1561-1575.

[14] 马晓虹，尹向雷.基于相关滤波器的目标跟踪方法综述[J].电子技术应用，2018，44(6)：3-7，14.

[15] NAM H，HAN B.Learning multi-domain convolutional neural networks for visual tracking[C].CVPR，2016.

[16] BERTINETTO L，VALMADRE J，HENRIQUES J F，et al.Fully-convolutional siamese networks for object tracking[C].ECCV，2016.

[17] HELD D，THRUN S，SAVARESE S.Learning to track at 100 fps with deep regression networks[C].ECCV，2016.

[18] 黄睿，陆许明，邬依林.基于TensorFlow深度学习手写体数字识别及应用[J].电子技术应用，2018，44(10)：6-10.

作者信息:

张天飞，龙海燕，丁 娇，张 磊

(安徽信息工程学院，安徽 芜湖241000)