崔雄文 黄勇 刘传银

(四川长虹电器股份有限公司技术中心 四川省成都市 610041)

1 概述

目标跟踪是计算机视觉、图像理解、机器学习中的一个重要的研究课题，在智能监控、机器人感知、医学图像分析、自动驾驶等多种实际场景中有广泛的应用[1]。

基于字典学习的目标跟踪算法和基于相关滤波的目标跟踪算法是近年来目标跟踪领域的两个热点。2018年，Sui 等基于空时局部性提出结构化的字典学习跟踪算法，提高算法在复杂背景中的跟踪精度[2]。2019年，Zhang 等结合分块策略，构造结构化的稀疏模型，能有效地消除相似物体干扰[3]。2015年，Henriques 等提出了KCF算法，通过引入多通道特征处理及核技巧，提升对循环移位样本的处理速度[4]。2017年，Danelljan 等采用包含尺度滤波的三维滤波器来实现对目标尺度的自适应计算[5]。2019年，Deng 等采用多特征融合结合重检测来实现对遮挡目标的准确跟踪[6]。

本文将基于字典学习和基于相关滤波的方法相结合，提出了一种新的多通道相关滤波跟踪算法。

2 本文算法

2.1 多通道自适应特征选择

考虑保持目标模型结构的条件下进行特征选择，即：

其中，θ 表示滤波器，f 表示选择的特征集合，diag(f)表示从f生成的对角矩阵，若特征被选中，对应对角元素为1，否则为0。采用稀疏表示学习实现式（1）中的特征选择，则有：

λ1和λ2分别为正则系数和约束系数，||x||1和||x||2表示x 的L-1范数和L-2 范数。L-1 正则项可以减少相关器θ 非零分量，从而实现特征选择。L-2 项为时间一致性约束项。

在本文中，采用梯度方向直方图(HOG)和彩色信息(RGB) 多特征通道进行跟踪，此时对应的相关器为：