刘聃琦

摘 要 如何让计算机代替人眼学会“看”，是一门至关重要的科学，这门科学就是计算机视觉。作为计算机视觉中的一项重要任务，一个热点之一，目标跟踪具有重要的应用价值。影响目标稳定跟踪的因素有很多，想在任何影响下都能稳定跟踪在领域内是一项重大的挑战。相关滤波跟踪算法具有较高的跟踪精度以及优秀的跟踪处理速度，然而在目标有尺度变化或者受到遮挡时的跟踪效果不是很理想。针对这两个问题，本文提出一种基于核相关滤波并融合HOG特征与SIFT特征的跟踪算法。该算法能在一定程度上解决目标尺度变化剧烈以及短暂遮挡后目标框漂移的问题。

关键词 目标跟踪;相关滤波;尺度自适应;抗遮挡;特征融合

1相关滤波跟踪原理

1.1 相关滤波

在信号领域，两个信号的相似程度称之为相关性。将相关的概念运用到跟踪里，就是得到一个模板跟踪器，将模板与跟踪目标进行相关检测，最终得到最相关的目标区域完成跟踪[1]。

1.2 核相关滤波

实际问题大多都是非线性回归问题，直接求解非线性问题非常困难，所以经常使用非线性变换将现实中的这类问题转化为核空间的线性问题来简化。这个非线性变换可以用一个变换函数来实现将低维空间映射到高维核空间。

核相关滤波跟踪算法首先对第一帧图像提取HOG特征进行建模，再将目标样本循环采样构成样本循环矩阵，用所得到的样本与期望响应进行训练得到核相关滤波器，最后用滤波器对后续目标帧进行核相关运算得到目标响应图。

1.3 缺陷分析

当目标有明显尺度变化情况，或者目标被遮挡时，会影响到模板更新，也会造成目标框漂移跟踪不稳定的问题。

采用的特征是单一的HOG特征，依赖跟踪目标的空间布局，不适应目标形变。

2结合SIFT的核相关滤波算法

SIFT特征是一种稳定的特征描述。本文融合SIFT特征对运动目标跟踪算法进行优化。

2.1 SIFT算法概述

SIFT特征对图像的旋转、缩放、亮度变化都有适应能力，在视角变化、仿射变换、噪音等影响因素下也能保持特征描述的稳定性。

SIFT特征信息特征库丰富，能进行快速准确的匹配达到实时性。SIFT特征描述量大，可以很方便地与其他特征向量进行匹配[2]。

2.2 SIFT算法理论基础

（1）高斯尺度空间

图像的模糊程度可以模拟视网膜对于不同距离物体的成像效果。人距离物体越近其尺寸越大，图像也越模糊，这就是高斯尺度空间。

稱为尺度空间因子，其值越大图像越模糊，对应的尺度越大。代表图像的高斯尺度空间。

（2）空间极值检测

每个像素点要和同一尺度空间和相邻尺度空间的相邻点进行比较。该点要与3*3邻域内的三个尺度空间的相邻点作比较，共26个像素点。

（3）求取特征点主方向

计算以特征点为中心，每个点的梯度的模以及方向可通过下面公式求得：

梯度方向的直方图横坐标为梯度方向的角度，纵坐标为对应方向梯度幅值的累加，直方图的峰值则为特征点主方向。

（4）特征描述

关键点旋转后以主方向为中心取16*16的邻域点，每个像素都表示为一个幅值和一个方向，最后利用高斯窗口对每4*4进行加权运算得到16个描述子来描述特征，每个描述子有8个方向的梯度信息，最后产生128维的特征描述向量。

2.3 算法综述

本文提出一种基于核相关滤波并融合SIFT特征的运动目标跟踪算法。首先，保持运用HOG特征对第一帧图像的目标区域进行特征描述，对目标图像进行循环采样，得到的样本再与所框选目标的期望响应进行训练得到相关滤波模板;运用该模板对下一帧图像进行最大响应跟踪并更新模板参数;当目标受到遮挡或者尺度变化过大时，停止更新模板并提取目标区域的SIFT特征，直至遮挡结束或者目标恢复，利用SIFT特征找到丢失的目标，再恢复原利用HOG特征的相关滤波进程继续跟踪[3]。

参考文献

[1] Henriques J. F.，Caseiro R.，Martins P.，et al. Exploiting the circulant structure of tracking-by-detection with kernels[C]. European conference on computer vision. Springer Berlin Heidelberg，2012：702-715.

[2] Henriques J. F.，Caseiro R.，Martins P.，et al. High-speed tracking with kernelized correlation filters[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2015，37（3）：583-596.

[3] 吴昭童.基于相关滤波的目标稳定跟踪技术研究[D].北京：中国科学院大学，2019.