基于核相关滤波器的高可信度自适应融合目标跟踪算法研究

目前基于核相关滤波器的几种主流算法仍然存在目标漂移甚至跟丢的情况,本文算法在Staple: Complementary Learners for Real-Time Tracking（以下简称Staple）和Large Margin Object Tracking with Circulant Feature Maps（以下简称LMCF）两种算法基础上进行融合并改进。首先利用贝叶斯公式求解出当前帧的背景和前景的直方图,对前景直方图进行均衡化,以消除噪声;其次,利用巴氏系数计算出当前帧的背景和前景的直方图的相似度值,通过数据分析设定阈值,以此消减目标与背景过于相似的问题;再次,根据所设阈值将直方图的bin值进行自适应,以此提高跟踪的分辨率;然后利用LMCF算法求出当前帧的最大峰值和平均峰值相关能量（APCE）,并根据数据分析设定合适的阈值;最后将阈值范围内的最大值和APCE值与融合系数相结合,使算法达到自适应融合。本文算法（LMCF-Staple）在公开数据集平台OTB50和OTB100上进行测试,结果显示LMCF-Staple算法的跟踪稳定性大大提高,目标的漂移情况明显减少,并且其跟踪的精确度、成功率均优于目前主流的几种算法。      

专注学习时空关系的相关滤波跟踪算法

传统相关滤波跟踪算法试图引入预定义的正则项,如抑制背景学习或限制相关滤波器的学习率来提高算法的鲁棒性,但在复杂场景下还是容易发生目标跟踪丢失,因为传统相关滤波跟踪算法没有关注相邻两帧之间的信息变化。针对以上问题,本文提出专注学习时空关系的相关滤波跟踪算法,引入相邻两帧的响应图变化作为空间正则项权值的参考权重,而当前帧的响应图的振荡程度确定时间正则项权值,最后本文通过交替方向乘子法(ADMM)迭代优化本文的损失函数。通过在OTB-50、OTB-100和OTB-2013三个基准数据集上进行了实验,验证了本文算法在复杂场景下更具有鲁棒性。