一种多特征自适应学习机制的目标跟踪算法*

2021-01-19甘展鹏许华荣何原荣

计算机与数字工程 2020年12期

甘展鹏许华荣，2 何原荣曹卫

（1.厦门理工学院计算机与信息工程学院厦门 361024）（2.厦龙工程技术研究院龙岩 364000）

1 引言

随着计算机和科学技术的发展，机器视觉广泛的应用于人们生活中的方方面面。在实际的生活中，目标跟踪技术已经广泛地应用于智能视频监控、汽车导航、无人机的目标跟踪、智能交通等行业中［1～5］，而相关滤波凭借的高速的处理能力和良好的跟踪正确率受到人们的青睐。在2010年，Bolme［6］等人，通过计算最小均方误差（MOSSE）计算相似性，首次将时域转换到频域进行计算；2014年，Henriques等提出了多通道HOG特征的核相关滤波器KCF［7］；Danelljan提出了具备尺度变化判别的DSST算法［8］；2014年的SAMF［9］提出一种将灰度、HOG和CN相结的多特征表示以及加入尺度估计实现目标跟踪；在2016年，Bertinetto等提出STAPLE［10］，利用颜色直方图滤波器和HOG滤波器进行互补学习跟踪；在2017年，Danelljan提出ECO［11］通过因式分解卷积的方法简化特征提取。

上述的算法对相关滤波目标跟踪进行了一定程度上的改进。但是依旧存在以下几个问题：跟踪的精度和正确率有待提高；在运动模糊或者遮挡情况下，容易发生漂移或者跟踪失败。针对以上问题，本文分别单独训练HOG+Gray滤波器和CN滤波器，然后线性加权融合两个滤波器的响应图，来提高判别器判别能力；通过构建尺度池，求取最大尺度来响应输出最佳尺度变化，以及融入反向检测输出正确尺度；通过目标历史运动状态以及响应变化提出一种自适应学习率机制，实现动态的模型更新。