基于核相關濾波的高速目標跟蹤算法研究與系統(tǒng)實現(xiàn).pdf

1、視頻中的目標跟蹤技術是機器視覺領域中的一個熱點問題，其主要任務是在視頻序列中獲取感興趣目標的運動軌跡，在視頻檢索、人機交互、自動化監(jiān)控和國防作戰(zhàn)中有著重要意義。
　　目標跟蹤算法的性能一般由跟蹤精度（準確率）和跟蹤速度（幀率）來評價，在軍事應用中，對高速移動的軍事目標進行跟蹤，尤其要滿足高幀率的要求。基于核相關濾波的跟蹤算法KCF（Kernelized Correlation Filters）的一個主要特點就是跟蹤速度快、幀率高，

2、本文主要對該算法進行優(yōu)化和實現(xiàn)。
　　KCF算法利用循環(huán)偏移構建分類器的訓練樣本，利用循環(huán)矩陣的特性把問題的求解變換到了傅里葉域，避免了矩陣求逆，大大降低了算法復雜度，獲得了較高的跟蹤速度。然而KCF算法中仍存在一些缺陷，如無法適應目標尺度變化、缺少應對目標丟失的策略等。本文針對KCF算法的缺點進行了優(yōu)化，并基于改進的算法搭建了高速目標跟蹤系統(tǒng)，用C++和OpenCV將KCF算法應用到該系統(tǒng)中，取得了良好的跟蹤性能。
　　本

3、文的主要工作有以下幾個方面：
　　(1)針對KCF算法中無法應對目標丟失情況的問題，提出了一種優(yōu)化算法：利用不同幀間響應值之間的關系，判定目標丟失的情況；并依次采用幀差法、K-Means、幀間響應值等算法進行目標的再次檢測。
　　實驗選取了KCF算法對Wu等人在CVPR2013提出的Benchmark的50個視頻中存在目標丟失情況的9個典型視頻，將改進后的算法進行了測試，平均跟蹤精度由原來的49％提高到了66％，在該類場景下

4、跟蹤精度明顯提升。
　　(2)針對KCF算法未對HOG特征進行參數(shù)優(yōu)化的問題，分析對比了HOG特征的不同參數(shù)對跟蹤性能的影響，通過實驗選取優(yōu)化參數(shù)。優(yōu)化后的算法在線性核下的準確率提高了1％，幀率提高了50％；高斯核下準確率提高了2％，幀率提高了65％，較原算法有了明顯提升。
　　(3)基于優(yōu)化的KCF算法搭建了高速目標跟蹤系統(tǒng)，介紹了系統(tǒng)的搭建及軟件設計。以Benchmark中的50個視頻的測試基準，該跟蹤系統(tǒng)的平均準確率達