摘要
本文在KCF的基礎上進行改進,提出基於多子塊相關濾波、自適應權值抑制和貝葉斯推理框架的實時跟蹤算法。將追蹤目標劃分爲多個子塊有效解決跟蹤目標部分遮擋問題。當目標被劃分爲多個子塊進行跟蹤時,算法實時性會受到較大影響,爲解決這一問題本文采用效率極高的相關濾波方法進行跟蹤。在大多數相關濾波方法中,目標框的尺度是固定的,這在長期跟蹤任務上會導致結果不可信。爲解決上述問題,本文提出基於每個子塊進行相關濾波的跟蹤策略。此外,我們採用貝葉斯推斷框架和結構化約束掩膜來保證算法對形變等因素的魯棒性。
背景介紹部分
生成式跟蹤算法負責搜索與跟蹤目標最相似的區域,而判別式算法主要是分類問題負責將跟蹤目標從背景中分離出來。同時指出當下常規的跟蹤算法有基於boosting的集成分類器方法、在線多距離的學習算法、基於P-N學習的TLD算法、在線結構化SVM方法、相關濾波方法等。最近基於局部塊的跟蹤算法在局部遮擋問題上取得十分魯棒的效果,當然該方法的計算量十分大,實時性很不理想。本文針對上述分塊跟蹤算法實時性差的缺陷,提出本文的通過自適應相關濾波器進行視覺目標跟蹤的基於分塊的實時性算法。
該方法總體思路如下:
- 採用相關濾波器作爲每個局部子塊的分類器,來加快跟蹤速度
- 對每個子塊按照打分賦予不同權重進行組合
- 使用置信度映射的平滑約束(SCCM)來評估子塊被遮擋的程度
- 提出一種空間佈局約束的方法:有效抑制組合各個獨立部分時產生的噪聲;當發生目標遮擋時,準確估計其邊界框的尺寸
相關工作
基於相關濾波的跟蹤方法
基於相關濾波的跟蹤策略具有極好的實時性,目標在第一幀被一個較小的跟蹤框選中,此後的跟蹤是在下一幀一個更大的搜索框上使用相關濾波進行。具有最大相關值的位置就是下一幀目標所在的位置,之後一幀的跟蹤在這一幀的基礎上進行。
基於局部濾波的跟蹤方法
在本文中,在貝葉斯推斷中使用聯合置信度映射來得出具備最大後驗概率的候選位置。爲了更好地獲得每個子塊對應空間上的內容,採用結構化約束掩膜來計算觀察和實際的極大似然估計。
子塊目標跟蹤
常見子塊目標跟蹤採用灰度直方圖匹配等方法,這些方法計算量巨大,實時性很差。
使用相關濾波方法的基於子塊劃分的跟蹤方法
- 使用快速KCF作爲子塊分類器
- 提出一種新的方法來自適應地組合塊打分分類器和更新模型
- 採用貝葉斯推斷框架來實現更好的魯棒性
KCF跟蹤器
直接基於CF的跟蹤器跟蹤效果很好但魯棒性不高,一旦目標存在部分遮擋的情況便意味着本次跟蹤以失敗告終。針對上述缺陷,KCF提出使用循環矩陣進行運算,同時對結果值進行連續平滑,靠近目標中心到遠離目標自1衰減到0。
最小化的目標函數:
權重w的值:
置信度映射:
塊跟蹤器的自適應權值計算
- 將目標整體劃分爲多個子部分,單獨跟蹤每個子塊
- 定位每個子塊位置,使用貝葉斯推理框架整合所有單個置信度映射
- 整合過程賦予不同權重進行,更值得信賴的子塊賦予更大的權重,消除因漂移引起的噪聲
- 用PSR和SCCM來度量子塊置信度映射的權重
其中fp(i)t表示第i個子塊在t時刻的子塊。
自適應分類器更新策略
子塊跟蹤器的更新策略:
基於置信度映射的跟蹤策略
傳統方法通過在所有子塊的跟蹤結果上計算幾何中心以此來確定這個目標的位置。但考慮到部分遮擋和形變等因素的影響,一些子塊跟蹤器會產生漂移導致定位不準確。還有一種方法通過稠密採樣的方式來解決上述問題,但計算量巨大,實時性差。本文提出一種基於貝葉斯推理的框架來解決該跟蹤問題。
關於聯合置信度映射的一系列觀察數據
最佳狀態通過最大後驗概率估計來計算
通過貝葉斯理論遞歸的計算後驗概率
實驗
在實驗過程中,本文發現將子塊的尺寸設爲原目標的1/4和1/6時效果最爲穩定,子塊尺寸太大或者太小就過都會表現更差,無法確保算法的魯棒性。同時還發現當子塊數量大於5時,跟蹤結果無任何變化。在本實驗中我們使用5個子塊和400個候選採樣點。
速度分析
本文提出算法的主要計算資源開銷花費在N個子塊的KCF跟蹤和候選採樣框上。在採用5個子塊和400採樣窗的基礎上,本文所提方法的速度爲30FPS。其他三種基於塊的跟蹤方法在它們對應配置環境的最佳速度依次爲10FPS,2FPS和3.7FPS。本文所提方法在它們配置環境上的運行速度依次爲20和22FPS。顯然要遠優於這三種方法。
量化估計
評估本文所提跟蹤算法的執行效果可從兩個角度的標準進行:中心位置誤差和重疊率。平均誤差越小或者覆蓋率越大都意味着一個更加準確的結果。
覆蓋率計算公式:
觀察平均中心位置誤差和平均覆蓋率可知,本文提出的方法基本表現出最佳的效果,有一部分測試集上表現出第二的效果。
定性估計
得益於多子塊和自適應更新策略,我們的方法在部分遮擋的測試集上表現出可信賴的效果;由於採用多子塊和貝葉斯框架,我們的方法能很好的適應尺度變化,同時也能十分準確地覆蓋目標;對於couple測試序列,傳統KCF算法在一開始便已經失敗,我們的基於塊的方法將這個目標劃分爲多個子塊,能成功地定位到目標整體通過子塊。
結論
基於相關濾波器和貝葉斯推理框架,我們提出一種具有更好跟蹤效果的基於塊的實時的跟蹤器。使用自適應權重在線更新和結構化掩膜方法,本文提出的跟蹤器對部分遮擋、尺度變化、光照、旋轉等具有極好的魯棒性。