基于相關(guān)性濾波的魯棒視覺目標(biāo)跟蹤算法研究.pdf

1、視覺目標(biāo)跟蹤是計算機(jī)視覺領(lǐng)域的重要課題。為處理復(fù)雜跟蹤場景，越來越多跟蹤算法將跟蹤與檢測相結(jié)合。其中比較突出的是判別式相關(guān)性濾波（Discriminant Correlation Filter, DCF）跟蹤算法。但此類跟蹤算法大多以全局特征構(gòu)建目標(biāo)表觀模型，忽略尺度變化，并使用單一的跟蹤器對目標(biāo)表觀更新。在面對遮擋和較嚴(yán)重形變等跟蹤場景時，算法的魯棒性大大降低。
　　針對全局特征KCF算法在目標(biāo)尺度變化或遮擋時性能下降問題，提出

2、基于顯著性檢測分塊的多尺度多線索KCF跟蹤方法（SalientPatch-based visual Tracking with Multi-cues Integration,SPMCI）。分析了低層、中層和高層結(jié)構(gòu)對目標(biāo)表觀的影響，采用中層目標(biāo)塊構(gòu)建表觀模型。常用均勻分塊方法會產(chǎn)生過多目標(biāo)塊，引入不必要背景干擾，同時增大計算量。為此使用目標(biāo)顯著圖作為分塊的先驗信息，控制目標(biāo)塊（patch）的分布和數(shù)目。進(jìn)而結(jié)合塊的圖像金字塔對目標(biāo)尺度估

3、計。為進(jìn)一步提高跟蹤算法準(zhǔn)確性，融合目標(biāo)塊表觀、空間分布和運(yùn)動軌跡線索進(jìn)行目標(biāo)定位。實(shí)驗表明SPMCI算法有效提高了跟蹤的準(zhǔn)確性和對不同場景的適應(yīng)能力。
　　如何處理目標(biāo)長時遮擋帶來的表觀污染和較大形變是跟蹤算法的一大難點(diǎn)。以SPMCI算法為基礎(chǔ)，提出了基于表觀變化檢測的多跟蹤器接力跟蹤算法（Apparent Change DetectionbasedVisualTracking with Multi-trackers Relay