基于特征匹配滤波的自适应模板跟踪算法①-计算机系统应用

电光与控制Electronics Optics&Control Vol.26No.4 Apr.2019第26卷第4期2019年4月引用格式:李海彪，黄山•基于自适应的核相关滤波的目标跟踪算法[J].电光与控制,2019,26(4):49-53.LI H B.HUANG S.A target tracking algorithm based on adaptive kernelized correlation filtering]J」.Electronics Optics&Control,2019,26(4)：49-53.基于自适应的核相关滤波的目标跟踪算法李海彪"，黄山”(四川大学,a.电气信息学院；b.计算机学院，成都610065)摘要：针对核相关滤波器(KCF)跟踪算法在目标发生尺度变化和严重遮挡的情况下跟踪失败的问题，提出了一种基于自适应的核相关滤波的目标跟踪算法该算法运用了尺度估计策略，使跟踪框自适应，用多项式核函数来减少计算量，采用了FHog目标特征代替原来的Hog特征，获取更多的目标特征信息「实验采用OTB-2013评估基准的50组视频序列进行测试，并与其他31种跟踪算法进行对比，测试所提算法的有效性：实验结果表明：所提算法成功率为0.549,精确度为0.736,排名第一，与KCF算法相比，分别提高了3.8%和1.0%。

该算法在目标发生尺度变化、严重遮挡等复杂情况下，均具有较强的稳健性和鲁棒性；关键词：目标跟踪；核相关滤波；FHog特征；尺度估计；多项式核中图分类号：TP391.41文献标志码：A doi：10.3969/j.issn.1671-637X.2019.04.010A Target Tracking Algorithm Based on AdaptiveKernelized Correlation FilteringLI Hai-biao",HUANG Shan1'(Sichuan University,a.College of Electrical Engineering and Information；b.College of Computer Scienee,Chengdu610065.China)Abstract:In order to solve the problem of tracking failure of the Kernelized Correlation Filtering(KCF) tracking algorithm in the case of target scale changes and severe occlusion,an adaptive tracking algorithm is proposed based on kernelized correlation filtering.The algorithm uses a scale estimation strategy to adapt the tracking frame to target scale changes,and uses polynomial kernel functions to reduce the computational complexity.The FHog target feature is used to replace the original Hog feature to obtain more target feature information.In the experiment,50sets of video sequences based on the OTB-2013evaluation benchmark were tested and compared with other31tracking algorithms to verify the effectiveness of the proposed algorithm.The experimental results show that：the success rate of this algorithm is0.549and the accuracy is0.736,ranking first,which is improved by3.8%and1.0%respectively compared with the KCF algorithm.The algorithm has strong steadiness and robustness under complex conditions such as target scale changes and severe occlusion.Key words:target tracking；kernelized correlation filtering；FHog feature；scale estimation；polynomial kernel0引言目前主流的目标跟踪算法主要有两种：一种是基于深度学习的跟踪算法"7；另一种是基于相关滤波器的目标跟踪算法一"。

基于特征匹配的算法特征匹配是一种常用的计算机视觉算法，用于在不同图像或图像中的不同区域之间寻找共享相似或相同特征的方法。

特征匹配算法在图像处理、目标跟踪、图像识别等领域有广泛的应用。

特征匹配算法的基本原理是通过对图像中的特征进行提取和描述，然后在不同图像中或同一图像中的不同区域之间进行匹配。

具体步骤包括特征提取、特征描述和特征匹配。

特征提取是指从原始图像中找到代表图像内容的显著特征点，常用的特征点包括角点、边缘点、斑点等。

具体的特征提取算法包括Harris角点检测、SIFT（尺度不变特征变换）、SURF（加速稳健特征）等。

特征描述是将提取到的特征点转换为特征描述子，以便后续的特征匹配。

特征描述子通常是一个向量，可以通过统计特征点周围的图像局部信息得到。

常用的特征描述算法包括SIFT描述子、SURF描述子、ORB（旋转不变二值）描述子等。

特征匹配是将不同图像或同一图像中的不同区域的特征进行对应，从而实现图像匹配、目标跟踪等功能。

常用的特征匹配方法包括暴力匹配（Brute-Force）算法、最近邻匹配（Nearest Neighbor）算法、RANSAC （随机抽样一致性）算法等。

暴力匹配算法是最简单直接的匹配方法，它通过计算两个特征向量之间的距离（如欧氏距离、汉明距离等），选择距离最小的特征点作为匹配对。

此方法的缺点是计算量大，匹配效果受噪声和干扰较大。

最近邻匹配算法是常用的特征匹配方法之一，它通过计算一个特征向量与另一个特征向量集合中所有向量之间的距离，并选择距离最小的那个特征点作为匹配对。

此方法简单快速，但对于存在匹配相似特征点的情况，容易产生误匹配。

RANSAC算法是一种鲁棒的特征匹配方法，它通过随机选择最少的特征点对进行模型估计，然后根据该模型对所有特征点进行检验和评估，在一定的迭代次数内，找到最佳的模型参数和对应的特征点对。

RANSAC算法可以处理存在误匹配和噪声的情况，但计算复杂度较高。

基于自适应的核相关滤波的目标跟踪算法李海彪;黄山【摘要】针对核相关滤波器(KCF)跟踪算法在目标发生尺度变化和严重遮挡的情况下跟踪失败的问题,提出了一种基于自适应的核相关滤波的目标跟踪算法.该算法运用了尺度估计策略,使跟踪框自适应,用多项式核函数来减少计算量,采用了FHog目标特征代替原来的Hog特征,获取更多的目标特征信息.实验采用OTB-2013评估基准的50组视频序列进行测试,并与其他31种跟踪算法进行对比,测试所提算法的有效性.实验结果表明:所提算法成功率为0.549,精确度为0.736,排名第一,与KCF 算法相比,分别提高了3.8％和1.0％.该算法在目标发生尺度变化、严重遮挡等复杂情况下,均具有较强的稳健性和鲁棒性.【期刊名称】《电光与控制》【年(卷),期】2019(026)004【总页数】5页(P49-53)【关键词】目标跟踪;核相关滤波;FHog特征;尺度估计;多项式核【作者】李海彪;黄山【作者单位】四川大学,电气信息学院,成都 610065;四川大学,计算机学院,成都610065【正文语种】中文【中图分类】TP391.410 引言目前主流的目标跟踪算法主要有两种：一种是基于深度学习的跟踪算法[1-4]；另一种是基于相关滤波器的目标跟踪算法[5-7]。

基于深度学习的跟踪算法需要处理大量的数据，要求运算能力强，对硬件设备要求高，同时前期要处理大量的数据，移植较为麻烦，目前仍处于理论研究阶段，实际应用还有待发展。

基于相关滤波器的跟踪算法，以最小输出平方误差和相关滤波器(MOSSE)跟踪算法、核相关滤波器(KCF)跟踪算法为代表，此类算法运行速度较快，对硬件要求较低，发展比较成熟。

基于相关滤波器的目标跟踪虽然取得了巨大的进步，但由于受到目标的尺度变化、形变、严重遮挡、旋转等因素的影响，目标跟踪依然是一个难题。

例如：文献[8]提出了一种MOSSE的学习跟踪算法，该算法只需要训练一个目标外观模型，通过离散傅里叶变换将目标与所有候选区域之间的相似度计算转换到频域，提升了跟踪算法的运行速度，但在目标形状、光照发生变化时，跟踪效果较差。

基于自适应粒子滤波的无人机目标跟踪算法研究一、无人机目标跟踪算法的研究背景和意义无人机的发展已经成为当今的热点问题之一，无人机的广泛应用包括军事领域和民用领域。

随着无人机技术的不断发展，其应用领域也日益扩大，包括安全监控、动态环境的监测、自然灾害的影像获取、搜救及搜索、定位等应用，其中目标跟踪作为无人机应用中的关键技术之一，受到了广泛的研究。

自适应粒子滤波（APF）是一种基于蒙特卡洛方法的目标跟踪算法，擅长于在非线性、非高斯的系统中进行状态估计。

相对于传统的滤波器方法，APF算法具有更好的适应性和鲁棒性，在目标跟踪中表现出更高的性能。

基于自适应粒子滤波的无人机目标跟踪算法具有更高的准确性和稳定性，能够更好地适应复杂的环境和动态目标跟踪任务。

研究基于自适应粒子滤波的无人机目标跟踪算法具有重要的理论和应用意义，可以为无人机的自主导航、飞行控制、监视等任务提供更好的技术支持。

研究这一领域有助于推动我国在无人机技术领域的发展，提高无人机的技术水平和市场竞争力。

1. 粒子滤波算法原理粒子滤波（Particle Filter，PF）是一种蒙特卡罗（Monte Carlo）滤波算法，利用一组粒子来对目标状态进行估计。

粒子代表了目标状态的可能性分布，通过不断地使用测量数据对粒子的权重进行更新，从而逐步收敛到目标的真实状态。

具体而言，在粒子滤波算法中，首先通过一组随机采样的粒子来表示目标状态的可能性分布，然后根据观测数据来计算每个粒子的权重，通过重采样和状态更新操作不断迭代，最终得到目标状态的估计分布。

粒子滤波算法适用于非线性、非高斯的系统，并且具有较高的鲁棒性和适应性。

自适应粒子滤波（Adaptive Particle Filter，APF）是在粒子滤波算法基础上进行改进的一种目标跟踪算法。

与传统的粒子滤波算法相比，APF算法通过引入自适应权重更新机制，能够更好地适应非线性、非高斯的系统，提高了估计的准确性和鲁棒性。

一种基于SIFT特征的自适应滤波目标跟踪算法
杨伟;杨华;柴奇;王黎明
【期刊名称】《红外技术》
【年(卷),期】2008(30)7
【摘要】针对目标跟踪过程中目标尺度伸缩和姿态形状的变化引起的目标丢失,以及使用单个模型跟踪机动目标不够理想,提出一种基于SIFT特征的自适应滤波目标跟踪算法.仿真结果表明,该算法在目标机动时,跟踪性能远优于其它特征匹配算法和多模型算法,而且计算量小,能保证跟踪的实时性.
【总页数】3页(P384-386)
【作者】杨伟;杨华;柴奇;王黎明
【作者单位】电子工程学院,安徽省红外与低温等离子体重点实验室,安徽,合
肥,230037;电子工程学院,安徽省红外与低温等离子体重点实验室,安徽,合
肥,230037;电子工程学院,安徽省红外与低温等离子体重点实验室,安徽,合
肥,230037;电子工程学院,安徽省红外与低温等离子体重点实验室,安徽,合
肥,230037
【正文语种】中文
【中图分类】TP273.2
【相关文献】
1.一种基于SIFT特征光流的运动目标跟踪算法 [J], 李艳萍;林建辉;杨宁学
2.基于颜色特征与SIFT特征自适应融合的粒子滤波跟踪算法 [J], 谢天旭;何炳蔚
3.一种基于卡尔曼滤波及粒子滤波的目标跟踪算法 [J], 杜超;刘伟宁;刘恋
4.基于核相关滤波器的高置信度自适应融合目标跟踪算法研究 [J], 夏婷;谢维信;陈富健;黄梓桐
5.基于极线约束SIFT特征和粒子滤波的目标跟踪算法 [J], 刘士荣;吴楚;张波涛;章海兵
因版权原因，仅展示原文概要，查看原文内容请购买。

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。

匹配滤波器算法有哪些匹配滤波器算法是一种在信号处理领域广泛应用的技术，用于从一个信号中提取出特定的目标信息。

利用匹配滤波器算法，可以实现信号的增强、滤波和特征提取等功能，被广泛应用于图像处理、语音识别、目标跟踪等领域。

下面将介绍几种常见的匹配滤波器算法。

首先，相关滤波器是匹配滤波器算法中的一种经典方法。

相关滤波器通过计算输入信号和参考信号之间的相关性来实现信号处理。

其基本原理是在输入信号中寻找与参考信号最相似的部分，并根据相关性大小进行滤波处理。

相关滤波器在目标检测、特征匹配等任务中有着广泛的应用，能够有效提取关键特征信息。

另外，最小均方滤波器（LMS）是另一种常见的匹配滤波器算法。

LMS算法通过不断调整滤波器的权重，使得滤波器的输出与期望输出之间的均方误差最小化。

LMS算法具有收敛速度快、计算简单等优点，在自适应滤波、降噪等领域有着重要的应用。

此外，卡尔曼滤波器也是一种常见的匹配滤波器算法。

卡尔曼滤波器是一种递归滤波算法，能够有效估计系统的状态并预测未来的状态。

卡尔曼滤波器广泛应用于导航系统、控制系统等领域，能够帮助系统实现状态估计和预测功能。

除此之外，小波变换也可以被看作一种匹配滤波器算法。

小波变换通过不同尺度和频率的小波基函数对信号进行分解和重建，能够实现信号的多尺度分析和特征提取。

小波变换在信号处理、数据压缩等领域有着广泛的应用，能够有效处理非平稳信号和局部特征。

总的来说，匹配滤波器算法涵盖了多种不同的方法和技术，每种方法都有着自身的特点和适用范围。

通过选择合适的匹配滤波器算法，可以实现对信号的有效处理和分析，为各种应用场景提供支持和帮助。

希望本文对匹配滤波器算法有所帮助，让读者对该领域有更深入的了解和认识。

1。

基于自适应模板的图像跟踪算法
李齐; 刘志文
【期刊名称】《《微计算机信息》》
【年(卷),期】2004(020)009
【摘要】本文对传统的模板匹配跟踪方法进行了改进。

在跟踪过程中采用了变模板匹配方法,弥补了固定模板跟踪的不足,提高了跟踪的稳定性。

最后,本文给出了使用变模板匹配方法跟踪的试验结果。

【总页数】2页(P21-22)
【作者】李齐; 刘志文
【作者单位】北京理工大学
【正文语种】中文
【中图分类】TP243+.2
【相关文献】
1.基于互信息和自适应模板更新的目标跟踪算法 [J], 李琼;王军宁
2.基于模板更新的自适应Mean-shift跟踪算法 [J], 李勇勇;谭毅华;田金文
3.基于多特征的双模板自适应更新跟踪算法 [J], 刘振涛;王朝英;刘卫群
4.复杂背景下基于自适应模板更新的目标跟踪算法研究 [J], 韩锐;邓惠俊;徐静
5.基于自适应模板更新的改进孪生卷积网络目标跟踪算法 [J], 柳赟;孙淑艳
因版权原因，仅展示原文概要，查看原文内容请购买。

基于背景感知与自适应特征融合的相关滤波跟踪算法
白鑫宇;黄俊;罗建华
【期刊名称】《小型微型计算机系统》
【年(卷),期】2022(43)10
【摘要】背景感知相关滤波算法能有效利用背景信息,在解决边界效应问题的同时保持较高的跟踪速度.针对背景感知相关滤波算法在尺度变化、遮挡、目标形变时容易跟踪失败的问题,提出一种基于背景感知与自适应响应融合的相关滤波算法.本文算法以波动面积比为参考指标,在响应层实现自适应特征融合,提高特征表达能力,并利用主成分分析法分别对方向梯度直方图特征和颜色名特征进行降维,提升跟踪速度.引入尺度滤波器,提升跟踪速度的同时准确估计目标尺度变化.采用根据响应置信度动态调整学习率的模型更新策略,降低模型漂移风险.实验结果表明,本文算法在OTB100数据集上跟踪精确度为0.842,跟踪速度为46.81帧每秒,相较于背景感知相关滤波算法分别提高了2.9%和28.85%.
【总页数】7页(P2162-2168)
【作者】白鑫宇;黄俊;罗建华
【作者单位】重庆邮电大学通信与信息工程学院;信号与信息处理重庆市重点实验室
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于特征融合及自适应模型更新的相关滤波目标跟踪算法
2.一种自适应尺度与学习速率调整的背景感知相关滤波跟踪算法
3.一种多特征融合的背景感知相关滤波跟踪算法
4.融合深度特征和FHOG特征的尺度自适应相关滤波跟踪算法
5.多特征融合的自适应加权采样上下文感知相关滤波跟踪算法
因版权原因，仅展示原文概要，查看原文内容请购买。

基于自适应粒子滤波的无人机目标跟踪算法研究无人机的目标跟踪是无人机技术中的一个重要研究方向，它广泛应用于军事、安防、航拍等领域。

目标跟踪算法的性能直接关系到无人机的跟踪精度和稳定性。

本文基于自适应粒子滤波技术，对无人机目标跟踪算法进行了研究。

自适应粒子滤波是一种基于贝叶斯滤波的算法，通过不断迭代逼近真实目标的状态，并对目标进行预测和估计。

该算法引入了粒子群的概念，在状态空间中随机采样大量状态，通过给每个状态赋予权重，并更新权重来逼近真实目标的状态。

在无人机目标跟踪算法中，首先需要通过视觉传感器获得目标的位置、速度等信息。

然后通过自适应粒子滤波算法对目标进行跟踪。

具体步骤如下：根据视觉传感器的反馈，初始化粒子群的状态，即根据目标位置和速度的先验信息，在状态空间中随机采样一定数量的初始状态。

然后，通过传感器获取目标当前位置和速度信息，并根据自适应粒子滤波算法对粒子进行更新。

更新过程中，通过计算每个粒子与测量值之间的差异，来调整粒子的权重。

差异越小，权重越高。

根据粒子的权重重新估计目标的位置和速度，并选择权重最高的粒子作为最终的估计。

为了提高算法的鲁棒性和实时性，本文还引入了自适应机制。

通过不断分析粒子群的权重分布情况，检测是否需要调整粒子群的数量和采样范围。

当目标出现运动模式变化或环境发生剧烈变化时，自适应机制可以及时调整算法参数，确保跟踪的准确性和稳定性。

为了验证算法的有效性，本文设计了一系列的实验。

实验结果表明，基于自适应粒子滤波的无人机目标跟踪算法具有较高的跟踪精度和稳定性。

在目标运动模式变化和环境变化的情况下，算法能够及时调整参数，保持对目标的持续跟踪。

本文基于自适应粒子滤波技术，研究了无人机目标跟踪算法。

该算法通过引入粒子群概念，并结合自适应机制，实现了对目标的准确跟踪。

实验结果表明，该算法具有较高的跟踪精度和稳定性，在实际应用中具有广阔的应用前景。

机动目标跟踪是一种智能计算机视觉技术，它可以跟踪一个或多个物体在视频中的运动变化，并且能够准确地检测出物体的位置和运动轨迹。

机动目标跟踪是一种关键技术，它在机器人，自动驾驶，安全监控，智能视频分析等领域都有广泛的应用。

机动目标跟踪的基本思想是使用滤波算法来估计目标的状态，从而跟踪它的运动变化。

其中，自适应滤波算法是一种有效的滤波算法，它可以自动调整滤波器的参数，以适应不同情况下的变化。

自适应滤波算法在机动目标跟踪中的研究主要集中在以下几个方面：基于模型的自适应滤波算法。

这种方法通过建立目标的动力学模型，并利用统计学习的方法自动调整滤波器的参数，从而准确地跟踪目标的运动变化。

基于目标的自适应滤波算法。

这种方法通过分析目标的特征，如颜色，形状，大小等，来调整滤波器的参数，从而更准确地跟踪目标。

基于环境的自适应滤波算法。

这种方法针对不同的环境，如光照，背景，噪声等，自动调整滤波器的参数，从而更准确地跟踪目标。

基于算法的自适应滤波算法。

这种方法利用基于模型的滤波算法和基于目标的滤波算法的优势，结合环境信息，自动调整滤波器的参数，从而更准确地跟踪目标。

自适应滤波算法在机动目标跟踪中的应用可以提高跟踪的准确性和稳定性，并且能够有效地解决跟踪过程中遇到的各种问题。

因此，自适应滤波算法在机动目标跟踪中的研究将会有助于改善机动目标跟踪的性能，并为机器人，自动驾驶，安全监控，智能视频分析等领域的应用提供技术支持。

机动目标跟踪技术的发展与自适应滤波算法的研究密切相关，自适应滤波算法可以有效地解决机动目标跟踪中遇到的复杂问题，提高跟踪的准确性和稳定性。

针对不同的应用场景，研究者们需要更多地探索自适应滤波算法的可行性，并研究出更加有效的自适应滤波算法，从而更好地满足实际应用的需求。

此外，未来的研究也应该更多地关注自适应滤波算法的实时性和可扩展性，以便更好地满足实时应用的要求，并为机动目标跟踪技术的发展提供技术支持。