3.3 基于SCA算法的目標跟蹤

3.3.1 跟蹤框架

將視頻目標跟蹤看作粒子群體尋找最優解的過程，將粒子群體對應圖像中的候選目標區域，將變量空間對應目標的狀態空間，將粒子的運動模型對應目標狀態的變化量，將粒子移動的范圍對應目標狀態的變化范圍，將粒子個體的適應度值對應候選區域與目標的相似度，將最佳粒子狀態對應目標狀態，建立基于SCA算法的目標跟蹤方法，流程圖如圖3.4所示。

具體步驟如下。

（1）跟蹤初始化

在初始幀圖像中確定目標，并得到目標的初始狀態矢量x=（x，y，s）。其中，x、y為目標外接框的左上角的坐標值；s為目標框的尺度大小。

（2）建立目標的表觀模型

采用的運動目標屬于擴展目標，與傳統的點目標跟蹤的區別在于需要同時對運動目標的表觀特征和質心運動學狀態進行估計。因此，首先需要對目標的表觀特征進行建模。這里采用HOG特征。眾所周知，HOG特征能夠捕捉具有局部形狀特征的邊緣或梯度結構。此外，它對局部幾何變換和光度變換具有不變性。因此，采用HOG特征作為目標或候選樣本的特征描述，使用相關系數作為目標與候選樣本的相似度量，計算如下：

式中，表示方差；Cov（X，Y）表示協方差；X和Y分別表示目標和候選樣本的HOG特征。適應度函數設置為：

（3）根據目標的運動模型初始化所有粒子

考慮到目標運動具有隨機性的特點，采用隨機游走運動模型。

（4）通過蝙蝠算法不斷優化蝙蝠個體的狀態

在不滿足迭代終止條件的情況下，采用3.2節中介紹的SCA算法的基本原理對粒子按照式（3.3）進行更新。

（5）定位目標

得到適應度值最大（最優）的粒子個體，并根據該個體的狀態矢量在圖像中定位目標。

（6）跟蹤完成

判斷視頻中是否有新圖像輸入，如果有，則繼續執行步驟（3）；否則，跟蹤結束。

3.3.2 參數調整和分析

參數調整是優化算法的一個重要方面。對于所提出的方法，首先要解決的問題是如何在目標跟蹤中演示參數的自適應，其次在參數整定過程中要同時考慮收斂速度和精度。在傳統的自回歸模型中，有3個主要參數，即群體大小n、常數a和最大迭代次數T。

這里分析群體大小n，將a設置為2，T設置為500。使用每個迭代操作的真實位置與輸出位置之間的歐氏距離來評估性能。圖3.5中顯示了在不同n值下，（X，Y）在圖像中左上角的位置，Z軸儀表迭代次數，最優位置表示每次迭代操作的輸出位置。設置真實位置在（336，499）。如圖3.5所示，當n=50時，迭代收斂到位置（394，255），即跟蹤失敗；當n=200時，迭代次數達到150，得到最優位置；當n=300時，經過231次迭代操作后，軌跡與前一次相似。總之，如果迭代次數n過小，則跟蹤將面臨失敗；相反，迭代次數n越大，則跟蹤精度越高，但時間也越長。此外，初始位置對最終的輸出位置影響不大。考慮到準確性和效率，這里將n的初始值設置為200。