基于改进的引导图像滤波和深度去噪自编码器的微弱目标跟踪算法

赵宗超, 李东兴, 赵蒙娜

(山东理工大学机械工程学院，淄博 255049)

微弱目标跟踪在雷达检测、机器视觉、红外传感器、医学等领域发挥着重要作用，由于强背景杂波干扰、低信噪比、背景杂斑、遮挡变形、运动模糊和低分辨率等因素的影响，微弱目标跟踪在准确度和抗干扰能力方面面临巨大挑战[1-2]。卡尔曼滤波、Meanshift和粒子滤波等传统跟踪算法在工业领域应用广泛，但在复杂环境下跟踪能力差，在强噪声干扰中不能准确定位微弱目标位置[3-4]。基于相关滤波的跟踪算法在实时性上具有明显优势。Soheil等[5]提出的在线自适应增强迭代法(online adaboost，OAB)使用boosting构建一个强分类器，通过选出最好的响应特征进行目标的实时跟踪；Henriques等[6]改进的核相关滤波算法(kernel correlation filter，KCF)利用循环矩阵和离散傅立叶变换推导出一种新的核心滤波器，将目标跟踪任务的计算减少几个数量级，从而在目标和周围环境之间展现出强大的判别能力。目前，深度学习成为目标跟踪研究的热点[7-8]，将学习到的特征直接应用到相关滤波的跟踪框架里面，可以得到很好的跟踪结果。文献[9]选择堆叠去噪自动编码器(stack de-noising autoencoder，SDAE)作为深度模型，在大型Tiny数据集上使用无监督学习进行离线训练，根据不同模型参数进行微调以防止跟踪漂移；文献[10]提出了深度前馈神经网络算法(deep feedforward network，DFN)，改进后的深度学习算法训练网络使卷积特征输出表达能力更强；文献[11]提出一种新的卷积神经网络和支持向量机融合算法(convolution neural network and support vector machine，CNN-SVM)，在ImageNet分类数据集上对进行训练，将提取目标特征后利用传统的SVM方法进行跟踪；文献[12]、文献[13]分别提出了通过深度网络进行稳健跟踪的卷积网络跟踪算法(convolutional networks rracking，CNT)和基于高斯回归与转移学习的算法(racking with gaussian processes regression，TGPR)，实时更换深度网络提取的特征向量，能很好地适应跟踪过程中的目标变化，但在强噪声干扰和低分辨率的背景环境下不能准确地跟踪到微弱目标。

为解决上述问题，提出以粒子滤波为框架，基于改进的引导图像滤波(guided image filter，GIF)[14]和深度去噪自编码器的目标跟踪算法。GIF算法通过局部线性模型对目标图像进行滤波处理，利用引导图像中的结构并作为保持边缘平滑的算子执行，保留有价值的模板细节并使不准确的背景模板模糊，有效增强目标图像；改进深度去噪自编码器通过无监督特征学习增加训练样本，微调网络使得到的重构数据更接近原始数据，能够有效表达粒子图像区域；利用粒子的分类器响应来生成粒子重要性权重，提高对粒子集合的分类精度，得到更精确的目标位置。

1 算法实现

算法流程如图1所示。在离线训练阶段通过GIF算法对目标和背景模板进行区分，为目标追踪初始化阶段提供正负样本，为SDAE提供正负样本集。同时将自然图像进行归一化处理，用提取的特征向量构建SDAE。

图1 算法流程Fig.1 Algorithm flow chart

初始化阶段，通过正样本和负样本模板分别训练SDAE，利用线性SVM分类器对特征集进行二值分类，根据分类误差利用反向传播算法微调网络。在线跟踪阶段，将预训练得到的SDAE和SVM分类器应用到粒子滤波框架中，根据粒子滤波算法分布粒子集[15-16]，在初始化阶段获取先验信息，通过SDAE和SVM分类器得到每个粒子的置信度，对每一帧图像中的目标进行识别和跟踪。

1.1 引导图像滤波器

云层微弱目标跟踪主要受破碎云、纤维状的卷云、絮状云和云层边缘的干扰，它们具有与昏暗目标相似的频率特性。采用引导图像滤波器扩大目标模板与干扰模板之间的差异，能有效保持微弱目标边缘，增强目标图像。对引导图像滤波器算法进行改进，传统引导图像滤波器的输入和输出存在线性关系，在一个二维窗口内输出信号用以下公式表示：

qi=akIi+bk

(1)

输出像素、输入图像和两个像素索引分别用q、I、i和k表示，ak和bk是当窗口中心位于k时该线性函数的系数。改进后的引导图像滤波器在窗口中心位于像素索引值k时，能够求得线性函数的系数a和b，对式(1)两边同时取一个梯度值，得到q=aI，在引导图像滤波器中，当输入图像I有梯度时，则输出图像q也有类似的梯度，通过拟合函数的最优化差值能确定出线性系数为

(2)

式(2)中：ak和bk是在窗口中心位于k时的窗口线性变换系数；Ii和pi是输入图像和待滤波图像；wk是引导滤波器窗口；ε是调节输出图像杂讯和滤波器滤波效果的自定义参数。

(3)

(4)

图2 待测图像中的6类模板Fig.2 Six types of templates in the image to be tested

图3 引导图像及三维曲面图Fig.3 Guided image and 3D surface map

1.2 改进的深度去噪自编码器

微弱目标图像像素点少，用于目标跟踪的训练样本不足会导致训练欠拟合，采用无监督特征学习的方法训练深度去噪自编码器能有效增加训练样本。

SDAE编码过程和解码过程分别为

(5)

y=f(z)=sf(w′h+b′)

(6)

式中：sg和sf采用sigmoid函数，编码权重w和偏置b与解码权重w′和偏置b′共同决定了最优参数θ，通过梯度下降法最小化损失函数可以得到θ，重构误差的损失函数为

(7)

图4 滤波前6类模板及三维曲面图Fig.4 Filtering the first six types of templates and 3D surface maps

图5 滤波后6类模板及三维曲面图Fig.5 Filtered six types of templates and three-dimensional surface maps

图6 SDAE算法流程Fig.6 Flow chart of SDAE algorithm

1.3 改进的粒子滤波框架

粒子滤波是以贝叶斯估计和重要性重采样为核心的跟踪模型[17]。将训练得到的深度去噪自编码器和支持向量机应用到粒子滤波框架中，选取视频中的第一帧图像进行目标的人工标定，确定出待检测的目标区域范围同时提取目标特征，到视频的下一帧图像时，系统根据粒子滤波算法对粒子集进行重新分布，每个粒子的置信度就由前向传播增量深度分类神经网络确定[18]。

对粒子置信度进行分析，根据粒子的最大置信度相对于设定阈值的大小，确定目标位置信息是否由置信度最大的粒子决定，同时在粒子滤波框架中完成深度去噪自编码器网络参数的微调，使跟踪结果和周围的背景信息在框架中进行实时更新。

2 实验结果与分析

使用本文算法和OAB、KCF、SDAE、DFN、CNN-SVM、CNT、TGPR等7个主流跟踪算法在多组具有不同特征的图片序列上进行测试，通过重叠率overlap rate、AUC和像素误差pixel error衡量算法的优越性，对比跟踪算法的参数均使用相应文献中的默认值。选取3组数据对实验结果进行分析。序列1共有图像110帧，像素大小为900×619；序列2共有图像143帧，像素大小为1 125×810；序列3共有图像110帧，像素大小为900×619。

8种跟踪算法在不同图片序列的跟踪结果如图7所示。序列1上，破碎的卷云在洁净天空背景下存在与微弱目标相似的特征，KCF、CNN-SVM、CNT、TGPR算法不能准确跟踪目标，除GIF-SDAE算法外，OBA、DFN、SDAE算法在跟踪过程中均出现目标漂移。序列2上，微弱目标在层云中受相似背景的干扰，所有算法都能完成目标跟踪，在第80帧，KCF、CNN-SVM、CNT、TGPR算法出现不同程度的漂移。序列3上，目标沿火烧云边缘运动，受破碎云遮挡、光照、目标形变等因素影响，DFN、KCF、TGPR算法前期跟踪失败，在第47帧以后除GIF-SDAE算法外的其他算法均出现目标漂移甚至失败。实验结果表明，GIF-SDAE算法在目标遮挡、形变、背景杂斑和光照影响等多种因素的干扰下具有较好的鲁棒性和跟踪准确度。

表1所示为本文算法与其他7种算法在不同图像序列上跟踪结果与真实位置的平均重叠率和成功率图曲线下面积。从表1可以看出，GIF-SDAE算法的重叠率在4种图像序列的跟踪过程中全为最优值，AUC值除在序列2为次优其余也全为最优值，由此可见GIF-SDAE算法在复杂环境下微弱目标跟踪过程中具有较好的跟踪准确度和鲁棒性。

表1 本文算法与其他7种算法在不同图像序列上进行 目标追踪的重叠率overlap rate和AUC

注：每个序列首行为Overlap Rate，次行为AUC，加粗的跟踪结果最好，划线的跟踪结果次好。

不同算法在3种图像序列上的像素误差如图8所示，可以看出，GIF-SDAE算法跟踪的像素误差明显小于其他算法，在具有遮挡、光照变化、剧烈运动、相似背景等条件下的图像序列中均能准确定位目标位置，在微弱目标的跟踪过程中能更好地适应多种环境，具有较高的精确度和跟踪稳定性。

图7 本文算法与其他7种算法在不同序列上的跟踪结果Fig.7 The tracking results of this algorithm and seven other algorithms on different sequences

3 结论

提出了一种将引导图像滤波器和深度去噪自编码器集成到粒子滤波器框架中的跟踪算法。该算法使用GIF对目标图像进行滤波处理，使不准确的背景模板模糊并有效增强目标图像。通过无监督特征学习训练改进后的深度去噪自编码器以克服训练样本的不足，使提取的特征集合能有效表达粒子图像区域，更好地适应跟踪过程中目标外观变化。利用粒子分类器响应生成粒子重要性权重，在重新采样过程中根据权重保留样本，提高对粒子集合的分类精度，以得到更精确的目标位置。选用本文算法与其他7种主流方法在4组图片序列上进行跟踪测试，实验结果表明，在遮挡、光照变化、剧烈运动、相似背景等复杂环境下，该算法具有更好的精确度和鲁棒性，可以有效解决目标漂移和跟踪丢失的问题。

图8 本文算法与其他7种算法在不同图像序列上进行 目标追踪的像素误差Fig.8 Pixel errors of GIF-SDAE and seven other algorithms for target tracking on different image sequences

1 万 俊, 周 宇, 张林让, 等. 严重方位模糊下的合成孔径雷达微弱运动目标聚焦与参数估计方法[J].西安交通大学学报, 2019, 53(6): 1-8.

Wan Jun, Zhou Yu, Zhang Linrang, et al. A method for weak moving target focusing and parameter estimation of synthetic aperture radars in severe azimuth ambiguity[J]. Journalof Xi’an Jiaotong University, 2019, 53(6): 1-8.

2 宋 强. 杂波干扰下雷达微弱多目标检测跟踪方法[J].中国电子科学研究院学报, 2018, 33(5): 601-605.

Song Qiang. Radar weak multiple-target detection and tracking method under clutter interference[J].Journal of China Academy of Electronics and Information Technology. 2018, 33(5): 601-605.

3 Henry F N, Ying W T, Mohammed A A, et al. Deep learning algorithms for human activity recognition using mobile and wearable sensor networks: state of the art and research challenges[J]. Expert Systems With Applications, 2018, 105: 233-261.

4 Dilshad R, Suman C. Particle Gaussian mixture filters-I[J]. Automatica, 2018, 98: 331-340.

5 Soheil S H, Mohsin M J, Simo S. Variational bayesian adaptation of noise covariances in multiple target tracking problems[J]. Automatica, 2018, 68: 131-140.

6 Henriques J F, Caseiro R, Martins P, et al. High-speed tracking with kernelized correlation filters[J]. IEEE Transations on. Pattern Anal Mach Intell, 2015, 37(3): 583-596.

7 Qian K, Zhou H X, Qin H L, et al. Guided filter and convolutional network based tracking for infrared dim moving target[J]. Infrared Physics & Technology, 2017, 85: 431-442.

8 程 帅, 孙俊喜, 曹永刚, 等. 增量深度学习目标跟踪[J]. 光学精密工程, 2015, 23(4): 1161-1170.

Cheng Shuai, Sun Junxi, Cao Yonggang, et al. Incremental deep learning target tracking[J]. Optical Precision Engineering, 2015, 23(4): 1161-1170.

9 Zou G F, Fu G X, Gao M L, et al. Pose varied face recognition based on self learning deep convolutional neural network[J]. Journal of Chinese Computer Systems, 2018, 39(6): 1157-1163.

10 Pang S C, Juan J C, Yu Z Z, et al. Deep learning to frame objects for visual target tracking[J].Engineering Applications of Artificial Intelligence, 2017, 65: 406-420.

11 Hong S, You T, Kwak S, et al. Online tracking by learning discriminative saliency map with convolutional neural network[J]. ICML, 2015: 597-606.

12 Zhang K, Liu Q, Wu Y, et al. Robust visual tracking via convolutional networks without training[J]. IEEE Transtions on Image Processing, 2016, 25(4): 1779-1792.

13 Gao J, Ling H, Hu W, et al. Transfer learning based visual tracking with gaussian processes regression[C]//Proc of the 13th European Conference on Computer Vision: Part III. Zurich: Spring International Publishing, 2014: 188-203.

14 Cao W, Wang H B, Shi J, et al. Enhancement algorithm of finger vein image based on weighted guided filter with edeg detection[J]. Laser & Optoelectronics Progress, 2017, 54 (2): 172-180.

15 李天成, 范红旗, 孙树栋, 等. 粒子滤波理论、方法及其在多目标跟踪中的应用[J].自动化学报, 2015, 41(12): 1981-2002.

Li Tiancheng, Fan Hongqi, Sun Shudong, et al. Particle filtering: Theory, approach, and application for multitarget tracking[J]. Acta Automatica Sinica, 2015, 41(12): 1981-2002.

16 陈 辉, 刘 备, 叶 平, 等. 多目标粒子滤波器重采样算法的研究[J].自动化与仪器仪表, 2017(1): 3-8.

Chen Hui, Liu Bei, Ye Ping, et al. Research on multi-objective particle filter resampling algorithm [J]. Automation and Instrumentation, 2017(1): 3-8.

17 Christos F, Yannis P, Kevin J N. Denoising autoencoder self-organizing map (DASOM) [J]. Neural Networks, 2018, 105: 112-131.

18 Chen H, Liu B, Ye P. Improved particle filter based on genetic algorithm [J]. Computer Simulation, 2018, 35(7): 221-225.