景星烁， 邹卫军， 夏 婷， 李 超， 许 旭

(1.南京理工大学，南京 210094； 2.山东农业大学，山东 泰安 271018)

0 引言

目标跟踪是在连续的图像序列中估计目标的位置，需要面临诸多困难，是一个具有挑战性的难题。最初的研究算法主要是基于生成模型来进行跟踪，如文献[1-2]，但这些算法的鲁棒性不是太高，计算量很大，不适合进行实时跟踪。随着目标跟踪算法的进一步发展，基于判别模型[3]的跟踪成为研究热点。基于压缩感知理论[4]的压缩跟踪算法[5]就是基于判别模型，通过生成一个稀疏的投影矩阵，然后将压缩后的数据作为特征来进行分类，优点是简单、高效；但该算法仍存在一些缺陷，如对光照比较敏感，而且不能适应目标尺度的变化。随后，研究人员在压缩跟踪的基础上也做了一些改进。文献[6]以多个矩阵作为压缩感知中的投影矩阵，将压缩后的数据作为特征提取出跟踪所需的多种特征，使算法能够适应纹理和光照变化，但跟踪框大小固定，所以不能够适应目标尺度的变化。文献[7]通过结构约束性采样，获取不同位置不同尺度的扫描窗，离线计算不同尺度下的稀疏随机感知矩阵，并用于降维，解决了目标的基本姿态变化及尺度缩放的问题，但是没有解决光照变化、遮挡等问题。

本文综合考虑以上缺陷，提出了改进算法：分析了HOG类特征对光照的不敏感性，与Haar-like特征采用固定比值方式进行融合，并结合尺度估计相关滤波器[8]，寻找使滤波器得到最大响应的尺度，更新特征提取模板，从而实时地调整跟踪窗口进行精确跟踪。……