基于相關(guān)性濾波的魯棒視覺目標跟蹤算法研究.pdf

1、視覺目標跟蹤是計算機視覺領(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)建目標表觀模型，忽略尺度變化，并使用單一的跟蹤器對目標表觀更新。在面對遮擋和較嚴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)對目標表觀的影響，采用中層目標塊構(gòu)建表觀模型。常用均勻分塊方法會產(chǎn)生過多目標塊，引入不必要背景干擾，同時增大計算量。為此使用目標顯著圖作為分塊的先驗信息，控制目標塊（patch）的分布和數(shù)目。進而結(jié)合塊的圖像金字塔對目標尺度估

3、計。為進一步提高跟蹤算法準確性，融合目標塊表觀、空間分布和運動軌跡線索進行目標定位。實驗表明SPMCI算法有效提高了跟蹤的準確性和對不同場景的適應(yīng)能力。
　　如何處理目標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。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