茅正冲，陈海东

江南大学 物联网工程学院，江苏 无锡214122

目标跟踪是计算机视觉领域中关注的重点，在智能视频监控、自动泊车系统、临床医学救助、虚拟成像等多个领域被广泛应用[1]。在实际工程应用中，跟踪目标不仅受到外部环境诸如光照变换等影响，而且还会伴有自身形态的变换[2]。如何解决多种复杂环境及目标本身多样变化所导致的目标丢失的问题仍充满了挑战[3]。

Bolme 等[4]首次在目标跟踪领域内引入相关滤波理论，提出采用单通道灰度特征的最小输出平方误差和（Minimum Output Sum of Squared Error Filter，MOSSE）算法；Henriques[5-6]在MOSSE 的基础上引入了循环矩阵和核技巧提出了核循环结构跟踪器（Circulant Structure of tracking-by-detection with Kernels，CSK），后又在CSK 的基础上扩展了多通道特征，采用方向梯度直方图（Histogram of Oriented Gradient，HOG）表征外观模型提出了核化相关滤波器（Kernelized Correlation Filters，KCF）算法，在实时性和精度上有很大的提升；Danelljan[7]等提出使用颜色命名（Color Name，CN）特征来改进目标外观模型，通过主成分分析（Principal Component Analysis，PCA）降维来降低运算量。

文献[8]提出了一种融合CN和HOG特征的相关滤波跟踪算法。

最近的研究发现，通过修改用于训练的常规CF 模型，可以克服算法固有的一些局限性。Danelljan[9-10]考虑到特征值的多重维度，在单通道MOSSE 的基础上重构了最小代价函数，提出三维滤波器来定位和预估尺度的判别式尺度空间跟踪器（Discriminative Scale Space Tracking，DSST）。但当目标背景较复杂时，由于余弦窗和搜索区域的限制，导致学不到太多的背景信息。Mueller[11]等提出了（Context-Aware，CA）框架，该框架可以与许多相关跟踪器集成，如文献[12]中提出的自适应尺度的多特征融合（Scale Adaptive Multi-feature Fusion，SAMF）跟踪算法结合后SAMF_CA 算法体现了高效性，但实时性较差。……