郭 利,周盛宗

1(福建师范大学 数学与信息学院,福州 350117)

2(中国科学院 福建物质结构研究所,福州 350002)

近年来,目标跟踪在视频监控、运动分析、人机交互、自动驾驶及交通安防等领域获得了长足发展.但大多数目标跟踪算法不但在面对光照变化、运动模糊、快速运动、背景混乱、遮挡等复杂环境下跟踪失败,而且在目标变形、旋转、姿势变化等剧烈变化时也表现欠佳.因此,有必要继续探索健壮的目标跟踪算法.

以往研究表明,有效的特征一般能较好的表示跟踪目标并快速运算,代表性的有颜色特征[1]、纹理特征[2]、灰度特征[3]、超像素特征[4]、Lab 特征[5]等.得益于特征引入频域,将矩阵乘法运算转化为点乘运算,基于相关滤波的目标跟踪算法获得了长足发展.譬如：基于单通道灰度特征的MOSSE[6]和CSK[7]、基于11 通道颜色特征的CN[8]、基于31 通道HOG 特征的KCF[9]、基于42 通道特征(31 维HOG 特征、10 维颜色特征、1 维灰度特征)的SAMF[10]、基于HOG 特征和颜色特征的Staple[11]、基于HOG 特征和Lab 特征的SACFT[12]等.这些算法一般将不同特征简单叠加或以固定比例组合,未考虑实时特征组合对目标跟踪的影响.针对该问题,赵高鹏等[13]基于峰值旁瓣比融合灰度特征和LBP 特征,陈法领等[14]基于峰值旁瓣比和相邻帧间的响应一致性融合纹理特征和颜色特征,尹宽等[15]基于融合特征器的可信度选择合适线性组合方式,常敏等[16]基于平均峰值-相关能量方法融合不同特征.与几位学者从特征类别层面融合特征的做法不同,本文算法从特征通道层面融……