基于多特征融合的运动目标跟踪方法

Ｉｎｓｔｒｕｍｅｎｔ　Ｔｅｃｈｎｉｑｕｅ　ａｎｄ　Ｓｅｎｓｏｒ

仪表技术与传感器

２０１９　Ｎｏ􀆰１１　

基于多特征融合的运动目标跟踪方法

益争祝玛，尚振宏，刘　辉，李润鑫

（昆明理工大学信息工程与自动化学院，云南昆明　６５０５００）

　　摘要：采用单一特征描述目标和传统模型更新方法对目标进行跟踪难以适应目标的遮挡、形变以及复杂场景变化等问题。针对此问题，提出一种多特征融合和选择性更新模型的相关滤波器跟踪算法。分别利用方向梯度直方图和颜色特征训练滤波器模型，在检测阶段根据不同特征响应图的峰值旁瓣比和加权融合两种特征；根据每帧最终目标位置响应图的峰值旁瓣比，判断目标是否发生遮挡，发生遮挡时则不更新模型，下一帧中继续使用当前模型进行跟踪。选取公开测试视频集中１２段视频序列与多个前沿运动目标跟踪算法进行对比实验，结果显示，相对于次优的基于颜色特征（ｃｏｌｏｒｎａｍｅｓ，ＣＮ）的算法，平均中心位置误差减少了２５．１２像素，平均跟踪精度提高了２９．３１％。实验结果表明，在目标发生尺度变化、遮挡和光照变化等情况下，该算法可以稳定、准确跟踪运动目标。关键词：目标跟踪；相关滤波器跟踪；特征融合；峰值旁瓣比；模型更新

中图分类号：ＴＰ３９１　　　文献标识码：Ａ　　　文章编号：１００２－１８４１（２０１９）１１－００９５－０５

ＭｏｖｉｎｇＴａｒｇｅｔＴｒａｃｋｉｎｇＭｅｔｈｏｄＢａｓｅｄｏｎＭｕｌｔｉ⁃ｆｅａｔｕｒｅＦｕｓｉｏｎ

（ＦａｃｕｌｔｙｏｆＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｕｔｏｍａｔｉｏｎ，ＫｕｎｍｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｋｕｎｍｉｎｇ６５０５００，Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ：Ａｉｍｉｎｇａｔｔｈｅｔｒａｃｋｉｎｇｏｆｍｏｖｉｎｇｔａｒｇｅｔｓｕｓｉｎｇａｓｉｎｇｌｅｆｅａｔｕｒｅｔｏｄｅｓｃｒｉｂｅｔｈｅｔａｒｇｅｔａｎｄｔｈｅｔｒａｄｉｔｉｏｎａｌｍｏｄｅｌｕｐ⁃ｄａｔｅｍｅｔｈｏｄ，ｉｔｉｓｄｉｆｆｉｃｕｌｔｔｏａｄａｐｔｔｏｔｈｅｔａｒｇｅｔ􀆳ｓｏｃｃｌｕｓｉｏｎ，ｄｅｆｏｒｍａｔｉｏｎ，ａｎｄｖａｒｉｏｕｓｃｏｍｐｌｅｘｓｃｅｎｅ．Ｔｏａｄｄｒｅｓｓｔｈｅｓｅｃｈａｌｌｅｎ⁃ｇｅｓ，ｔｈｉｓｐａｐｅｒｐｒｅｓｅｎｔｅｄａｃｏｒｒｅｌａｔｉｏｎｆｉｌｔｅｒｔｒａｃｋｉｎｇａｌｇｏｒｉｔｈｍｆｏｒｍｕｌｔｉ⁃ｆｅａｔｕｒｅｆｕｓｉｏｎａｎｄｓｅｌｅｃｔｉｖｅｕｐｄａｔｅｍｏｄｅｌｓ．Ｆｉｒｓｔｌｙ，ｔｈｅｆｉｌｔｅｒｍｏｄｅｌｗａｓｔｒａｉｎｅｄｂｙｕｓｉｎｇｔｈｅｃｏｌｏｒｆｅａｔｕｒｅｏｆｔｈｅｔａｒｇｅｔａｎｄｔｈｅｄｉｒｅｃｔｉｏｎａｌｇｒａｄｉｅｎｔｈｉｓｔｏｇｒａｍｆｅａｔｕｒｅｒｅｓｐｅｃｔｉｖｅｌｙ．Ｉｎｔｈｅｄｅｔｅｃｔｉｏｎｐｈａｓｅ，ｔｈｅｔｗｏｆｅａｔｕｒｅｓｗｅｒｅｗｅｉｇｈｔｅｄａｃｃｏｒｄｉｎｇｔｏｔｈｅｐｅａｋｓｉｄｅｌｏｂｅｒａｔｉｏｏｆｄｉｆｆｅｒｅｎｔｒｅｓｐｏｎｓｅｇｒａｐｈｓ．Ａｃｃｏｒｄｉｎｇｔｏｔｈｅｐｅａｋｓｉｄｅｌｏｂｅｒａｔｉｏｏｆｔｈｅｒｅｓｐｏｎｓｅｇｒａｐｈｏｆｔｈｅｆｉｎａｌｔａｒｇｅｔｐｏｓｉｔｉｏｎｏｆｅａｃｈｆｒａｍｅ，ｊｕｄｇｅｗｈｅｔｈｅｒｔｈｅｔａｒｇｅｔｗａｓｂｌｏｃｋｅｄｏｒｎｏｔ．Ｗｈｅｎｂｌｏｃｋｉｎｇｏｃｃｕｒｓ，ｔｈｅｍｏｄｅｌｃａｎｎｏｔｂｅｕｐｄａｔｅｄ，ａｎｄｃｏｎｔｉｎｕｅｄｔｏｕｓｅｔｈｅｃｕｒｒｅｎｔｍｏｄｅｌｆｏｒｔｒａｃｋｉｎｇｉｎｔｈｅｎｅｘｔｆｒａｍｅ．Ｔｈｅ１２ｃｈａｌｌｅｎｇｉｎｇｖｉｄｅｏｓｅｑｕｅｎｃｅｓｉｎｔｈｅｖｉｄｅｏｓｅｒｉｅｓｏｆｐｕｂｌｉｃｔｅｓｔｗｅｒｅｓｅｌｅｃｔｅｄｔｏｃｏｎｄｕｃｔｃｏｍｐａｒａｔｉｖｅｅｘｐｅｒｉｍｅｎｔｓｗｉｔｈｍｕｌ⁃ｐｉｘｅｌｓ，ｔｈｅａｖｅｒａｇｅｄｉｓｔａｎｃｅｐｒｅｃｉｓｉｏｎｉｎｃｒｅａｓｅｓｂｙ２９．３１％ａｓｃｏｍｐａｒｅｄｔｏｔｈｅｓｕｂｏｐｔｉｍａｌｃｏｌｏｒｎａｍｅｓ（ＣＮ）ａｌｇｏｒｉｔｈｍ．Ｔｈｅｅｘ⁃ｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｄｅｍｏｎｓｔｒａｔｅｔｈａｔｔｈｅｐｒｏｐｏｓｅｄａｌｇｏｒｉｔｈｍｃａｎｂｅｓｔａｂｌｙａｎｄａｃｃｕｒａｔｅｌｙｔｒａｃｋｅｄｉｎｔｈｅｃａｓｅｏｆｃｈａｎｇｅｓｉｎｔｈｅｔａｒ⁃ｇｅｔｓｃａｌｅ，ｓｈａｄｉｎｇａｎｄｉｌｌｕｍｉｎａｔｉｏｎｃｈａｎｇｅｓ．

Ｋｅｙｗｏｒｄｓ：ｖｉｓｕａｌｔｒａｃｋｉｎｇ；ｃｏｒｒｅｌａｔｉｏｎｆｉｌｔｅｒｔｒａｃｋｉｎｇ；ｆｅａｔｕｒｅｆｕｓｉｏｎ；ｐｅａｋｓｉｄｅｌｏｂｅｒａｔｉｏ；ｍｏｄｅｌｕｐｄａｔｅ

ＹＩＺＨＥＮＧＺｈｕ⁃ｍａ，ＳＨＡＮＧＺｈｅｎ⁃ｈｏｎｇ，ＬＩＵＨｕｉ，ＬＩＲｕｎ⁃ｘｉｎ

ｔｉｐｌｅｃｕｔｔｉｎｇ⁃ｅｄｇｅｍｏｖｉｎｇｔａｒｇｅｔｔｒａｃｋｉｎｇａｌｇｏｒｉｔｈｍｓ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｃｅｎｔｅｒｐｏｓｉｔｉｏｎｅｒｒｏｒｒｅｄｕｃｅｓ２５．１２

０　引言

目标跟踪是计算机视觉领域的一个热点，被广泛应用于视频监控、机器人学习、工业智能化等方面。其本质是在一段连续视频序列图像中找到目标的位置和状态［１］。虽然目前目标跟踪已经取得很大进展，但因受到遮挡、光照变化和尺度变化等众多因素影响，它仍然是一个具有挑战性的问题。

近年来，许多学者将相关滤波器引入到目标跟踪

框架中。相关滤波器目标跟踪算法中特征的选择对跟踪的性能影响很大。其中，Ｄ．Ｓ．Ｂｏｌｍｅ等提出的最小化输出平方误差和（ｍｉｎｉｍｕｎｏｕｔｐｕｔｓｕｍｏｆｓｑｕａｒｅｅｒ⁃ｒｏｒ，ＭＯＳＳＥ）算法［２］，仅采用灰度特征进行跟踪，Ｊ．Ｆ．Ｈｅｎｒｉｑｕｅｓ等提出将以往单通道灰度特征拓展到多通道，采用方向梯度特征（ｈｉｓｔｏｇｒａｍｏｆｏｒｉｅｎｔｅｄｇｒｉｄｉ⁃ｅｎｔｓ，ＨＯＧ）跟踪目标的（ｋｅｒｎｅｌｃｏｒｒｅｌａｔｉｏｎｆｉｌｔｅｒ，ＫＣＦ）算法［３］，提高了跟踪的准确度。Ｍ．Ｄａｎｅｌｌｊａｎ等在算法中加入颜色特征，并利用主成分分析（ｐｒｉｎｃｉｐａｌｃｏｍ⁃ｐｏｎｅｎｔａｎａｌｙｓｉｓ，ＰＣＡ）对颜色特征ＣＮ［４］降维处理，应用在彩色视频序列中。Ｍ．Ｄａｎｅｌｌｊａｎ等在ＭＯＳＳＥ的基

基金项目：国家自然科学基金资助项目（６１４６２０５２）收稿日期：２０１８－０８－２８

　　９６

度估计的ＤＳＳＴ算法

［５］

ＩｎｓｔｒｕｍｅｎｔＴｅｃｈｎｉｑｕｅａｎｄＳｅｎｓｏｒ

ｄ

Ｎｏｖ􀆰２０１９　

ｌ

ｌ

ｄ

础上提出利用ＨＯＧ特征构建尺度金字塔进行目标尺描述目标，无法较全面的表达目标，在不同场景下跟踪性能有较大差异。另外，上述算法都采用逐帧固定更新滤波器模型的方式，但每帧跟踪情况各不相同，容易将错误的信息加到目标模型中，而导致后续帧跟踪失败。针对以上问题本文基于可以进行尺度估计的ＤＳＳＴ算法提出以下策略：

。上述算法都仅使用单一特征

式中：ｇ为训练样本ｍ的期望输出；τ为正则化参数；ｄ为训练样本ｆ的维数；ｆｌ为其中的第ｌ维，ｌ∈｛１，…，ｄ｝；∗表示循环相关。

式（１）的最小值在频域里的解如下：

Ｈ＝

ｌ

ε＝‖∑ｈ∗ｆ－ｇ‖＋τ∑‖ｈｌ‖２

ｌ＝１

ｌ＝１

（１）

ＧＦｌ

ｋｋｄ

＋（２）

特征）（１）描述目标上述算法仅利用单一特征。ＨＯＧ特征是图像的局部特征（ＨＯＧ特征或颜色

，对目标细微形变、光照变化等有较好的适应能力，但是如果目标发生较大的形变和遮挡时，会发生错跟或漏跟；而人类识别图像的重要感知特征颜色特征是基于像素点的一种全局特征，对目标旋转、平移和尺度变化不敏感，但颜色特征不能很好描述目标的局部特征且无法适应光照变化。为此，本文将这两种特征融合起来描述目标模型，在获得目标全局特征的同时，也可以获取目标局部特征，提高了目标检测的准确度。如果目标发生遮挡时（２）上述算法使用目标模型逐帧固定更新策略，继续更新模型会将不正确的信，息加到模型中，会导致目标跟踪的失败。为了提高跟踪性能，提出只有满足一定条件时才更新的策略，通过判断目标是否发生遮挡来决定是否进行模型更新，减小了遮挡对目标跟踪的影响，从而提高了算法的稳定性。

视觉跟踪中目标尺度不断发生变化，基于此ＤＳＳＴ算法提出了一种尺度估计的策略。该算法先得到目标位置，然后估计目标尺度。为保证论文完整性，将ＤＳＳＴ［５］。

算法简述如下，该算法的详细论述见参考文献１　ＤＳＳＴ目标跟踪算法滤波器和尺度滤波器ＤＳＳＴ跟踪算法提出通过训练两个滤波器，分别得到目标的位置和尺度，位置，且两个滤波器的应用方式和原理相同。通过位置滤波器找到预测区域中目标响应值最大的位置，此处就是目标的位置；利用训练好的尺度滤波器在新位置处估计目标尺度。１．１　位置估计

以输入图像中目标位置为中心，进行采样获得图像块Ｐ。然后，提取Ｐ的ＨＯＧ特征ｆ作为训练样本ｍ。样本训练是为了找到最优的滤波器ｈ，使输入样本和需要输出之间平方误差最小。ｈ由每个特征维度的滤波器ｈｌ组成，通过如下最小化均方差求得：

式中：Ｇ、Ｆ分别为ｇ、ｆ的频域描述∑ｋ＝１

ＦＦτ

；Ｇ、Ｆ分别为Ｇ、Ｆ的共轭复数。

由于式（２）计算非常耗时，为了得到近似结果，对式（２）的分子Ａｌｔ和分母Ｂｔ分别进行更新：

Ａｌｔ＝（１－η）Ａｌｔ－１＋ηＧｔＦｌｔ

Ｂｔ＝（１－η）Ｂｔ－１＋η∑ｄ

（３）ｌ

ｋ＝１

ＦｋｔＦｔ

（４）

式中η为滤波器模型更新的学习率。

上述已经得到了最优滤波器模型，完成了训练过程。此处将对目标进行检测，对于新一帧得到候选样本ｚ，计算ｚ与滤波器的相关得分ｙ：

ｙ＝Ｆ－１（

∑ｄ

ｌ＝ＡｌＺｌＢ１＋τ

）（５）

ｙ取得的最大值处即为新的目标位置。

１．２　尺度估计

为了解决目标尺度变化问题，ＤＳＳＴ算法在目标位置确定后，通过构建尺度金字塔训练尺度滤波器估计目标尺度。确定目标位置后，以目标新位置为中心，截取构建金字塔的３３个图像层，并提取这些图像层的ＨＯＧ特征训练一个尺度滤波器Ｈ目标尺度，Ｈ（２）计算可得。在新一帧中ｓｃａｌｅ，用来估计ｓｃａｌｅ由式，为了得到目标尺度，利用式（５）求ｙｓ并得其最大值，确定目标当前尺度。采用式（３）、式（４）进行模型更新。２　多特征融合跟踪方法

在目标发生巨大形变和遮挡时ＤＳＳＴ算法是基于单一ＨＯＧ，跟踪效果并不理想特征描述目标模型，

。且该算法更新模型采用逐帧固定更新方式，但这种更新策略不能满足视频序列中每帧各不相同的变化情况，无法抑制模型漂移，最后可能导致跟踪失败。

本文提出基于相关滤波器跟踪方法的改进，位置估计时，为了更全面描述目标，减小跟踪错误率，采用了与ＨＯＧ特征具有互补性的颜色特征ＣＮ共同描述目标以训练滤波器，并根据两个特征各自跟踪结果的

　第１１期益争祝玛等：基于多特征融合的运动目标跟踪方法

该特征权重。

　９７　

ＰＳＲ（ｐｅａｋ⁃ｔｏ⁃ｓｉｄｅｌｏｂｅｒａｔｉｏｎ）自适应融合两种特征。为提高目标模型的有效性，对算法的跟踪结果进行遮未发生遮挡则更新模型，提高了目标跟踪的性能。２．１　峰值旁瓣比

在相关滤波器算法中，滤波器响应分布可以评估跟踪结果的置信度。理想响应分布时峰值强度高，即仅在目标中心位置处产生唯一峰值，且该峰值比较突出，峰值与周围区域之间的相对高度较大。峰值旁瓣在ｔ帧时，使用ＣＮ和ＨＯＧ特征分别跟踪目标得到滤波器响应ｙｔ，ｃｎ和ｙｔ，ｈｏｇ，并在响应层面进行特征融合，利用如下加权方法得到融合后的响应ｙｔ：

ｙｔ＝ｗｔ，ｃｎ×ｙｔ，ｃｎ＋ｗｔ，ｈｏｇ×ｙｔ，ｈｏｇ

（７）

挡判断，如果目标发生遮挡，则不进行目标模型更新，

式中ｙｔ的最大值处就是目标最终的位置：ｗｔ，ｃｎ、ｗｔ，ｈｏｇ分别为ＣＮ特征和ＨＯＧ特征在第ｔ帧时归一化权重。

ｗｔ，ｃｎ＝２

２ＰＳＲ２ｔ，ｃｎ

（８）比ＰＳＲ最开始是Ｄ．Ｓ．Ｂｏｌｍｅ等［２］提出的是一种衡量峰值强度的指标，ＰＳＲ计算方法为

［２］

ＰＳＲｔ＝

ｙｔ，ｍａｘσ－μｔ

ｔ

（６）

式中：ｙｔ，ｍａｘ为第ｔ帧响应图的峰值；μｔ和σｔ为最大响应位置周围区域的均值和标准差。，响应分布中峰值强度越高，则目标置

信度越高ＰＳＲｔ越大。

２．２　特征融合和位置估计

不同的特征具有不同的性质。如图（１）所示，当目标发生遮挡或目标发生剧烈光照变化时，单独使用ＨＯＧ可知，或者目标发生遮挡时ＣＮ特征都不能很好跟踪目标，单独使用ＨＯＧ特征。由图，发生漂１（ａ）移，即ＨＯＧ特征不能很好处理遮挡问题；由图１（ｂ）可知，当目标发生剧烈光照变化时，单独使用ＣＮ特征跟丢目标，ＣＮ特征不能很好处理光照变化问题。

实验表明ＨＯＧ特征和ＣＮ特征是一对互补特征。ＨＯＧ标形变特征对光照变化具有较好适应性、尺度变化具有较好适应性。为更全面描述目，ＣＮ特征对目标，文中将利用上述两种特征描述目标模型，减小跟踪错误率。

———ＨＯＧ　

（ａ）

－（ｂ）

－ＣＮ图１　两种特征效果对比分析

分别提取目标的ＨＯＧ和ＣＮ特征，使用式（２）分别训练两个位置滤波器，依据式（５）得到各自的目标响应图。为了让两种特征有效融合，通过比较两种特征的跟踪置信度来分配特征权值，而ＰＳＲ可以较好地衡量跟踪置信度，当ＰＳＲ值较大，说明目标置信度更高，跟踪效果更好。在下一帧的目标检测中应该加大

ＰＳＲｔ，ｃｎ＋ＰＳＲｔ，ｈｏｇｗ２ｔ，ｈｏｇ

ｔ，ｈｏｇ＝

２．３　滤波器模型更新

ＰＳＲ２ＰＳＲｔ，ｃｎ＋ＰＳＲ２ｔ，ｈｏｇ

（９）

传统相关滤波器算法中，采用逐帧固定更新模型方法，当目标发生遮挡时，更新过程中引入的错误信息将导致目标跟踪发生漂移甚至失败。文献［６－９］利用峰值旁瓣比ＰＳＲ判断目标是否发生遮挡。图２是２４、２４８Ｊｏｇｇｉｎｇ１视频序列的ＰＳＲ响应曲线分析。目标在第

目标被完全遮挡帧时正常运动，ＰＳＲ，ＰＳＲ值较小值比较大，第８０。帧时在第ＰＳＲ７１帧时值上，升，目标发生部分遮挡。

　　（ａ）第图２４２　帧ＰＳＲ　（ｂ）值分析结果第７１帧　（ｃ）（Ｊｏｇｇｉｎｇ１第８０帧　序列（ｄ）第）

２４８帧

因此本文在目标检测过程中首先利用当前帧最

终位置响应图的ＰＳＲ值判断目标是否发生遮挡，并利

用ＰＳＲ重新确定模型的更新率

η′＝

{

式中Ｎ为设定的判０，

０􀆰０２５，

断是否更ＰＳＲＰＳＲｔ＞Ｎ

ｔ新滤≤波Ｎ

（１０）

器模型的ＰＳＲ阈值。

通过对不同视频序列实验测试发现，目标正常运动时的ＰＳＲ值超过７；当ＰＳＲ值小于７时，目标发生遮挡，为了有效更新滤波器模型，本文中Ｎ取７。将式（３）、式（４）中上一帧的η用新的模型更新率η′替换，

　　９８

３　实验结果与分析３．１　实验环境及参数

ＩｎｓｔｒｕｍｅｎｔＴｅｃｈｎｉｑｕｅａｎｄＳｅｎｓｏｒ

算法明显优于其他算法。

Ｎｏｖ􀆰２０１９　

并在下一帧中使用，即对模型进行自适应更新。

Ｂｏｌｔ视频中次优，在其余７个视频都是最优，因此本文

图３为本文算法和其他３种算法在测试序列上的距离精度与中心位置误差的关系，曲线越陡，表示跟踪精度越高，其中，中心位置误差阈值为２０。由图３可看出，本文算法的距离精度为最优。

表２　部分测试视频平均ＣＬＥ

算法本文Ｊｏｇｇｉｎｇ１４．９３Ｔｉｇｅｒ２１２．３０Ｗａｌｋｉｎｇ５．７２Ｂｏｌｔ５．８１％

实验运行平台为ＭＡＴＬＡＢＲ２０１４ｂ，所有实验均在Ｉｎｔｅｒｎｅｔｃｏｒｅｉ５ＣＰＵ，主频２．５ＧＨｚ，４ＧＢ内存电脑上完成。实验中对所有测试视频采用参数一致：正则化参数设置τ＝０􀆰０１，模型更新的学习率η＝０􀆰０２５，尺度金字塔取３３层，旁瓣区域预定义的更新阈值Ｎ取７。３．２　数据和评估方法

实验选取公开的标准测试数据集Ｂｅｎｃｈｍａｒ［１０］中的１２段视频序列进行实验，测试视频序列依次为Ｊｏｇ⁃ｇｉｎｇ１、Ｂｏｌｔ、Ｇｉｒｌ、Ｓｉｎｇｅｒ２、ＣａｒｓｃａｌｅＢｌｕｒｆａｃｅ、Ｔｉｇｅｒ２、Ｓｋａｔｉｎｇ２、Ｃｏｋｅ、Ｄｏｇ、Ｗａｌｋｉｎｇ、标多种变化，如遮挡、快速运动和旋转和ＦａｃｅＯｃｃ１，、其中包含了目光照变化、尺度变化、和类目标干扰等，可验证本文算法的有效性。

采用中心位置误差（ｃｅｎｔｅｒｌｏｃａｔｉｏｎｅｒｒｏｒ，ＣＬＥ）、距离精度（ｄｉｓｔａｎｃｅｐｒｅｃｉｓｉｏｎ，ＤＰ）和帧率（ｆｒａｍｅｓｐｅｒｓｅｃ⁃ｏｎｄ，目标框的中心与目标真实位置中心之间的偏差ＦＰＳ）评估本文算法和其他比较算法。ＣＬＥ，是指中心误差越小，则算法性能越高。ＤＰ是指中心位置误差小于某一阈值的帧数占视频总帧数的百分比，实验中采用阈值为２０像素。３．３　与其他算法的对比分析

为了说明本文算法的有效性，选取３种对比算法进行分析。对比算法包括：（ｃｉｒｃｕｌａｎｔｓｔｒｕｃｔｕｒｅｏｆｔｒａｃｋｉｎｇ⁃ｂｙ⁃ｄｅｔｅｃｔｉｏｎ法和ＭＯＳＳＥ算法。ｗｉｔｈｋｅｒｎｅｌ，ＣＳＫ）算法［１１］、ＣＮ算３．３．１　表定量分析

１是１２组视频序列的实验结果。其中最优结

果加下划线表示。可以看出本文算法的平均ＣＬＥ和平均ＤＰ都优于其他对比算法。和次优的ＣＮ算法相比，平均ＣＬＥ降低了２５．１２像素，平均ＤＰ提高了２９．３１％。算法有下降但本文的平均帧率是。

１３．７１ｆｐｓ，相对于其他表１　本文算法与对比算法的比较

算法平均ＣＬＥ平均ＤＰ平均ＦＰＳ／像素／％／ｆｐｓ本文９．４１９３．２４１３．７１ＣＳＫ７５．７６５９．３８ＭＯＳＳＥＣＮ

１６６．３２３４．５３

６３．９３１６８．５２４０．７６

６１９．９４６９．３６

　最优结果加下划线表示　表２列举了其中８个测试序列的平均。本文算法的平均ＣＬＥ，ＣＬＥ其中仅在

ＣＳＫＭＯＳＳＥＣＮ

４５．００１２３．００４０．２０

１７９．００２１９．００１２．７０

２１５．００３４６．６０７．５４

４３２．００３９９．００４．１３

算法Ｓｉｎｇｅｒ２ＣａｒｓｃａｌｅＣｏｋｅＦａｃｅＯｃｃ１本文８．１８１９．１０１１．５０１２．７０ＣＳＫ１６８．００１３０．００ＭＯＳＳＥＣＮ１６７．００１８３．００１３９．００２５．６０１４４．００１６６．００３０．９０３２．５０１２．９０７６．５０（ａ）Ｊｏｇｇｉｎｇ１（ｂ）Ｇｉｒｌ

（ｃ）Ｃｏｋｅ

（ｄ）Ｓｉｎｇｅｒ２

（ｅ）Ｓｋａｔｉｎｇ

（ｆ）Ｔｉｇｅｒ２

图３　部分视频的距离精度曲线

３．３．２　３．３．２．１　定性分析

图４（ａ）发生遮挡

是Ｊｏｇｇｉｎｇ１视频的部分跟踪结果，在第７１

　第１１期益争祝玛等：基于多特征融合的运动目标跟踪方法

　９９　

帧时目标被完全遮挡时；在第９８帧时，其他算法都跟踪失败，仅本文算法由于可以自适应更新目标模型，依然能够成功跟踪目标。３．３．２．２　快速运动和旋转

由图４（ｂ）是Ｔｉｇｅｒ２视频的部分跟踪结果，序列中

（ａ）Ｊｏｇｇｉｎｇ１

目标快速运动导致目标模糊，在第８２帧时，除了ＭＯＳＳＥ，其余算法都能准确跟踪目标；在第１１３帧时，ＣＳＫ跟丢目标，ＣＮ和本文都可以精确跟踪目标。由图４（ｃ）是Ｓｋａｔｉｎｇ２视频的部分跟踪结果，第６０、４５６　

（ｂ）Ｔｉｇｅｒ２

帧时目标发生旋转，ＭＯＳＳＥ、ＣＮ跟丢目标，ＣＳＫ算法

虽然全程都能跟踪目标，但本文算法精确度更高。３．３．２．３　由图光照变化

４（ｄ）是Ｓｉｎｇｅｒ２视频的部分跟踪结果，在第

３６或跟丢现象帧时目标发生剧烈光照变化，本文算法依然可以准确跟踪，对比算法都出现漂移；在第５９帧时，目标再次发生光照变化，仅本文算法可以正确跟踪目标，其他算法都跟踪失败。目标发生光照变化时，颜色特征失效，而本文算法融合了Ｈｏｇ特征能适应光照变化。３．３．２．４　图４（ｅ）Ｃａｒｓｃａｌｅ尺度变化

视频序列中目标尺度变化明显，

只有本文算法可以准确更新目标尺度，精确跟踪目标。

３．３．２．５　图４（ｆ）类目标干扰

是Ｇｉｒｌ视频的部分跟踪结果，在第４４０帧

时出现类目标干扰，ＭＯＳＳＥ算法依然最早丢失目标，ＣＳＫ法可以准确跟踪算法跟丢目标，在第，ＣＮ４７１算法发生目标错跟帧时，ＭＯＳＳＥ和，而本文算ＣＳＫ发生跟踪失败，ＣＮ跟踪发生偏离，只有本文算法能够全程稳健跟踪。

由上述定量和定性分析可知，本文算法在目标发生遮挡、快速运动、光照变化、尺度变化和类目标干扰等情况下具有较鲁棒的跟踪效果，特别在目标被遮挡时效果更佳。４　结论

本文提出基于相关滤波器跟踪算法的多特征融合和选择性更新模板的跟踪算法。首先，将ＣＮ和ＨＯＧ踪准确度特征在滤波器响应图层面进行融合。其次，在每一帧中，采用ＰＳＲ，自适应控制提高目标跟模型的更新率，解决模板遮挡问题。实验表明，

在目标发生遮挡、快速运动、光照变化、尺度变化和类目标干扰等问题时，本文算法具有较强稳定性，尤其在解决遮挡问题时效果更佳。但本文算法平均

（ｃ）Ｓｋａｔｉｎｇ２

　（ｄ）Ｓｉｎｇｅｒ２

（ｅ）Ｃａｒｓｃａｌｅ

—本文　－－ＣＳＫ　

（ｆ）Ｇｉｒｌ

􀪋􀪋图４　部分视频序列跟踪结果

ＣＮ　—－ＭＯＳＳＥ

速度为１３．７１ｆｒａｍｅ／ｓ，速度较慢，需要进一步进行

优化。

参考文献：

［１］　ＭＡＲＣＨＡＮＤｍａｔｉｏｎｆｏｒａｕｇｍｅｎｔｅｄＥ，ＵＣＨＩＹＡＭＡｒｅａｌｉｔｙ：ａＨ，ｈａｎｄｓ⁃ｏｎＳＰＩＮＤＬＥＲｓｕｒｖｅｙ［Ｆ．ＰｏｓｅＪ］．ＩＥＥＥ

ｅｓｔｉ⁃

［２］　ＢＯＬＭＥ２２（１２）：２６３３ＴｒａｎｓａｃｔｉｏｎｓｏｎＤＳ，ＢＥＶＥＲＩＤＧＥ－２６５１．

Ｖｉｓｕａｌｉｚａｔｉｏｎ＆ＣｏｍｐｕｔｅｒＧｒａｐｈｉｃｓ，２０１６，

ｏｂｊｅｃｔｔｒａｃｋｉｎｇｕｓｉｎｇａｄａｐｔｉｖｅＪＲ，ＤＲＡＰＥＲｃｏｒｒｅｌａｔｉｏｎＢＡ，ｆｉｌｔｅｒｓｅｔａｌ．［Ｖｉｓｕａｌ

Ｃ］／／［３］　ＨＥＮＲＩＱＵＥＳ－Ｃｏｍｐｕｔｅｒ２５５０．

ＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ．ＩＥＥＥ，２０１０：２５４４ｔｒａｃｋｉｎｇＪＦ，ＲＵＩＣ，ＭＡＲＴＩＮＳＰ，ｅｔａｃｔｉｏｎｓ３７（３）：５８３ｏｎｗｉｔｈＰａｔｔｅｒｎｋｅｒｎｅｌｉｚｅｄ－５９６．

Ａｎａｌｙｓｉｓｃｏｒｒｅｌａｔｉｏｎ＆ＭａｃｈｉｎｅＦｉｌｔｅｒｓ［Ｊ］．ａｌ．Ｉｎｔｅｌｌｉｇｅｎｃｅ，ＩＥＥＥＨｉｇｈ⁃ｓｐｅｅｄ

Ｔｒａｎｓ⁃２０１４，

（下转第１０４页）

　１０４　ＩｎｓｔｒｕｍｅｎｔＴｅｃｈｎｉｑｕｅａｎｄＳｅｎｓｏｒ

恢复延迟，提高检测实时性。

参考文献：

Ｎｏｖ􀆰２０１９　

［１］　何昆鹏，程万娟，高延滨，等．虚拟陀螺技术在ＭＥＭＳ惯［２］　ＢＡＹＡＲＤＤ．Ｃｏｍｂｉｎｉｎｇｍｕｌｔｉｐｌｅｇｙｒｏｓｃｏｐｅｏｕｔｐｕｔｓｆｏｒｉｎ⁃［３］　吕琦炜，鲍其莲．虚拟陀螺改进卡尔曼滤波设计［Ｊ］．电

子设计工程，２０１５，２３（１９）：２４－２５；２９．ｃｒｅａｓｅｄａｃｃｕｒａｃｙ［Ｒ］．ＮＡＳＡＮＰＯ－３０５３３，２００３．３０（１０）：１１２３－１１２８．

性导航系统中的应用［Ｊ］．哈尔滨工程大学学报，２００９，

［４］　ＣＨＥＮＧＪ，ＤＯＮＧＪ，ＬＡＮＤＲＹＪ，ｅｔａｌ．Ａｎｏｖｅｌｏｐｔｉｍａｌ

（８）：１３６６１－１３６７８．

ｃｏｎｆｉｇｕｒａｔｉｏｎｆｏｒｍｒｅｄｕｎｄａｎｔＭＥＭＳｉｎｅｒｔｉａｌｓｅｎｓｏｒｓｂａｓｅｄｏｎｔｈｅｏｒｔｈｏｇｏｎａｌｒｏｔａｔｉｏｎｍｅｔｈｏｄ［Ｊ］．Ｓｅｎｓｏｒｓ，２０１４，１４

［５］　张印强，吉训生，王寿荣．硅微阵列陀螺仪的信号滤波技

术［Ｊ］．东南大学学报，２０１３，４３（６）：１２２２－１２２６．［Ｊ］．仪表技术与传感器，２０１８（１）：９８－１０１．ｏｓｙｓｔｅｍＴｅｃｈｎｏｌｏｇｉｅｓ，２０１３，３２（６）：６３－６５．（２）：３５８－３６４．

图５　加入补偿激励后的ＦＤＩ检测结果

表１　ＦＤＩ算法性能比较

陀螺１２３４

故障时间ｔ／ｓ１０～１５１８～２３２５～３０３３～３８

ｔｄ／ｓ１􀆰２３􀆰５１􀆰６４􀆰０

１

［６］　曾丽君．硅微陀螺阵列的滚动时域估计滤波算法研究［７］　ＰＥＮＤＸＤ，ＣＨＥＮＹ．Ｓｔｕｄｙｏｎｃａｌｉｂｒａｔｉｏｎｍｅｔｈｏｄｏｆ

ｔｄ／ｓ１􀆰６２􀆰７１􀆰９２􀆰６

２

算法１

ｔｄ／ｓ１􀆰７５􀆰５２􀆰３５􀆰８

２

算法２ｔｄ／ｓ１􀆰３１􀆰９１􀆰６２􀆰２

１

ＭＥＭＳ３⁃Ａｘｉｓｄｉｇｉｔａｌｇｙｒｏｓｃｏｐｅ［Ｊ］．ＴｒａｎｓｄｕｃｅｒａｎｄＭｉｃｒ⁃

［８］　程建华，孙湘钰，牟宏杰，等．冗余式捷联惯导系统多故［９］　ＳＩＭＯＮＤ．最优状态估计———卡尔曼，Ｈ∞及非线性滤波

［Ｍ］．张勇刚，李宁，奔粤阳，译．北京：国防工业出版社，２０１３．

ｔｅｍｓｆｏｒａｓｍａｌｌｕｎｍａｎｎｅｄＡｅｒｉａｌｖｅｈｉｃｌｅ［Ｄ］．Ｓｗｉｔｚｅｒｌａｎｄ：Ｚｕｒｉｃｈ，２００７．

Ｓｗｉｓｓ

Ｆｅｄｅｒａｌ

Ｉｎｓｔｉｔｕｔｅ

ｏｆ

［１０］　ＤＵＣＡＲＤＧ．Ｆａｕｌｔ⁃ｔｏｌｅｒａｎｔｆｌｉｇｈｔｃｏｎｔｒｏｌａｎｄｇｕｉｄａｎｃｅｓｙｓ⁃

障的检测与隔离［Ｊ］．哈尔滨工程大学学报，２０１８，３９

以下工作：

（１）系统建立了陀螺阵列卡尔曼滤波数据融合算法框架，并通过４陀螺阵列的数据融合验证了算法的正确性。

（２）针对陀螺阵列故障，研究了一种基于多模型估计卡尔曼滤波的故障检测方法，能够实现恒值输出和噪声增大两种典型故障的检测。

　　（３）研究了一种引入补偿激励的故障检测改进方法。针对输出噪声增大故障，可显著缩短故障延迟和（上接第９９页）

Ｔｅｃｈｎｏｌｏｇｙ

作者简介：曾丽君（１９８２—），讲师，硕士，主要研究领域为信号

与信息处理、嵌入式系统应用。Ｅ⁃ｍａｉｌ：４０６６８０８７＠ｑｑ．ｃｏｍ

闵芳（１９８０—），副教授，硕士，主要研究领域为嵌入式系统应用。Ｅ⁃ｍａｉｌ：２９０２５７３５＠ｑｑ．ｃｏｍ

［９］　赵高鹏，沈玉鹏，王建宇．基于核循环结构的自适应特征

融合目标跟踪［Ｊ］．光学学报，２０１７，３７（８）：２０８－２１７．ｍａｒｋ［Ｃ］．ＮｅｗＹｏｒｋ：ＩＥＥＥＰｒｅｓｓ，２０１３．

［１０］　ＷＵＹ，ＬＩＭＪ，ＹＡＮＧＭＨ．Ｏｎｌｉｎｅｏｂｊｅｃｔｔｒａｃｋｉｎｇ：ａｂｅｎｃｈ⁃［１１］　ＨＥＮＲＩＱＵＥＳＪ，ＣＡＳＥＩＲＯＲ，ＭＡＲＴＩＮＳＰ，ｅｔａｌ．Ｅｘｐｌｏｉｔｉｎｇ

Ｋｅｒｎｅｌｓ［Ｃ］．Ｓｐｒｉｎｇｅｒ⁃Ｖｅｒｌａｇ，２０１２．像处理与模式识别。

Ｅ⁃ｍａｉｌ：ｙｉｚｈｅｎｇｚｈｕｍａ６６６＠ｓｉｎａ．ｃｏｍ

通讯作者：尚振宏（１９７５—），副教授，博士，主要研究计算机视

觉，图像处理。Ｅ⁃ｍａｉｌ：ｓｈａｎｇｚｈｅｎｈｏｎｇ＠１２６．ｃｏｍ

［４］　ＤＡＮＥＬＬＪＡＮＭ，ＫＨＡＮＦＳ，ＦＥＬＳＢＥＲＧＭ，ｅｔａｌ．Ａｄａｐｔｉｖｅ

ＣｏｌｏｒＡｔｔｒｉｂｕｔｅｓｆｏｒＲｅａｌ⁃ＴｉｍｅＶｉｓｕａｌＴｒａｃｋｉｎｇ［Ｃ］／／ＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ．ＩＥＥＥＣｏｍｐｕｔｅｒＳｏｃｉｅｔｙ，２０１４：１０９０－１０９７．

［５］　ＤＡＮＥＬＬＪＡＮＭ，ＨÄＧＥＲＧ，ＫＨＡＮＦＳ，ｅｔａｌ．Ａｃｃｕｒａｔｅ

ＭａｃｈｉｎｅＶｉｓｉｏｎＣｏｎｆｅｒｅｎｃｅ，２０１４：６５．１－６５．１１．阳：西南科技大学，２０１７．

ＳｃａｌｅＥｓｔｉｍａｔｉｏｎｆｏｒＲｏｂｕｓｔＶｉｓｕａｌＴｒａｃｋｉｎｇ［Ｃ］／／Ｂｒｉｔｉｓｈ

ｔｈｅＣｉｒｃｕｌａｎｔＳｔｒｕｃｔｕｒｅｏｆＴｒａｃｋｉｎｇ⁃ｂｙ⁃Ｄｅｔｅｃｔｉｏｎｗｉｔｈ

［６］　李麒骥．基于核相关滤波器的目标跟踪方法研究［Ｄ］．绵［７］　毛宁，杨德东，杨福才．基于分层卷积特征的自适应目标跟踪［８］　夏远祥．相关滤波目标跟踪算法研究［Ｄ］．厦门：华侨大

学，２０１７．

［Ｊ］．激光与光电子学进展，２０１６，５３（１２）：２０１－２１２．

作者简介：益争祝玛（１９９２—），硕士研究生，主要研究方向为图