双约束上下文感知相关滤波跟踪算法

基于相关滤波器的⽬标跟踪⽅法综述0引⾔视觉跟踪是计算机视觉中引⼈瞩⽬且快速发展的领域,主要⽤于获取运动⽬标的位置、姿态、轨迹等基本运动信息,是理解服务对象或对⽬标实施控制的前提和基础。

其涉及许多具有挑战性的研究热点并常和其他计算机视觉问题结合出现,如导航制导、事件检测、⾏为识别、视频监控、⾃动驾驶、移动机器⼈等[1-4]。

虽然跟踪⽅法取得了长⾜进展,但由于遮挡、⽬标的平⾯内/外旋转、快速运动、模糊、光照及变形等因素的存在使其仍然是⾮常具有挑战性的⼯作。

近年来,基于相关滤波器CF(Correlation Filter)的跟踪⽅法得到了极⼤关注[5-9]。

CF 最⼤的优点是计算效率⾼,这归结于其假设训练数据的循环结构,因为⽬标和候选区域能在频域进⾏表⽰并通过快速傅⾥叶变换(FFT)操作。

Bolme [6]等⾸次将CF 应⽤于跟踪提出MOSSE 算法,其利⽤FFT 的快速性使跟踪速度达到了600-700fps 。

瑞典林雪平⼤学的Martin Danelljan 在2016年ECCV 上提出的相关滤波器跟踪算法C -COT [7]取得了VOT2016竞赛冠军,2017年其提出的改进算法ECO [8]在取得⾮常好的精度和鲁棒性的同时,显著提⾼运算速度⾄C-COT 的6倍之多。

基于CF 的跟踪算法如此优秀,已然成为研究热点。

近年和相关滤波有关的论⽂层出不穷,很有必要对这些论⽂及相关滤波的发展等进⾏⼀个归纳和总结,以推动该⽅向的发展。

⽂献[9]虽已做过综述并取得了⼀定效果,但有两点不⾜:(1)过多介绍现有⼏种⽅法的具体细节,没有对更多⽂献进⾏对⽐分析;(2)缺乏对基于相关滤波器跟踪⽅法的分类对⽐分析。

基于此,本⽂的不同基⾦项⽬:陕西理⼯⼤学科研项⽬资助(SLGKY16-03)基于相关滤波器的⽬标跟踪⽅法综述?马晓虹1,尹向雷2(1.陕西理⼯⼤学电⼯电⼦实验中⼼,陕西汉中723000;2.陕西理⼯⼤学电⽓⼯程学院,陕西汉中723000)摘要:⽬标跟踪是计算机视觉中的重要组成部分,⼴泛应⽤于军事、医学、安防、⾃动驾驶等领域。

结合时空上下文信息的相关滤波目标跟踪方法陈万敏; 尚振宏; 刘辉【期刊名称】《《红外技术》》【年(卷),期】2019(041)009【总页数】8页(P866-873)【关键词】目标跟踪; 相关滤波; 时空上下文; 自适应融合【作者】陈万敏; 尚振宏; 刘辉【作者单位】昆明理工大学信息工程与自动化学院云南昆明 650500【正文语种】中文【中图分类】TP391.4目标跟踪是一个颇具挑战性的问题[1]，目前普遍应用于虚拟现实、导航定位、移动机器人、和军事制导等领域[2]。

目标跟踪的任务是根据视频序列中目标的起始信息，在之后的视频中对目标的状态变化进监测[3]。

近几十年来目标跟踪算法研究取得了很大进步，但是由于物体运动过程中会遇到各种复杂因素的干扰，如何设计一个稳定高效的目标跟踪方法，仍是个极具挑战的难题。

目标跟踪方法根据不同的模型建立方式，分为生成式方法和判别式方法[3]。

其中生成式方法（Generative Models）使用生成式模型描述目标的外观，通过搜索候选样本来最小化重构误差，再对比候选目标和模型的相似程度，找到最大相似目标作为跟踪结果。

其中比较有代表性的算法有（Structured Output Tracking with Kernels，Struck）[4]算法和（Tracking Learning Detection，TLD）[5]算法等。

这类算法通常从目标前景区域学习目标外观，忽略了更有效的背景信息，在目标自身变化剧烈时容易产生漂移，降低了跟踪鲁棒性。

判别式方法（Discriminative Models）则是通过学习不同的滤波器来辨别跟踪目标和目标背景区域，使用最能描述场景目标的特征属性和最好的分类方式，把图像背景区域中的目标分离出来，同时动态地更新滤波器来预测目标在下一帧中的位置。

其中相关滤波跟踪模型以其高性能的跟踪效率受到众多研究者的青睐[6]。

该模型通过循环采样实现训练样本扩展，并利用快速傅里叶变换将计算转换到频域，提高了算法的运行效率。