董春燕,刘 怀,梁秦嘉

(南京师范大学电气与自动化工程学院,江苏 南京 210023)

目标跟踪是视觉分析和处理领域的一个重要研究内容,在智能交通管理、视频监控和军事制导等领域有广泛的应用[1]. 目标跟踪的任务是确定目标在视频序列中每一帧的位置和大小,并构建其运动轨迹. 然而,目标在运动过程中可能会发生形变、尺度变化以及相互遮挡等干扰情况,会造成目标丢失或跟踪精确度降低. 因此,需要研究一种在干扰存在的情况下具有先验不确定性的实时目标跟踪方法. 早期的运动目标跟踪借鉴了图像配准的思想[2-3],主要有KLT(kanade-lucas-tomasi)跟踪、Meanshift跟踪、粒子滤波跟踪算法等. 随着机器学习技术在目标跟踪领域的迅速发展和应用,研究人员提出了一种更强大的跟踪框架,该框架具有较强的泛化能力,被称为判别类跟踪[4-5]. 近几年,从世界顶级的视觉期刊和会议上来看,视觉跟踪的研究重点已转向基于相关滤波的目标跟踪算法以及深度学习的目标跟踪算法[6],如Choi等[7]提出的RDT(real-time deep tracking)算法,Gordon等[8]提出的Re3(real-time recurrent regression networks)算法以及Wang等[9]提出的SiamMask算法等. 但目前深度学习的跟踪算法对于硬件性能的要求较高,普遍存在实时性较差的问题,准确性和实时性难以兼得.

在判别类算法中,核相关滤波(kernel correlation filter,KCF)跟踪算法[10]能够兼顾跟踪精度和速度,但在目标被遮挡或发生形变的情况下,易丢失目标. TLD算法将跟踪器与检测器结合起来以解决此问题,然而该算法耗时量大,且跟踪器性能不稳定. 为了……