尚桠朝，孟令军

（中北大学电子测试技术国家重点实验室，太原 030051）

0 概述

目标跟踪作为计算机视觉的重要组成部分，被广泛应用于交通安全［1］、自动驾驶［2］和行为识别［3］等领域。然而在实际应用场景中，由于目标常出现形变、遮挡和快速移动等情况，造成跟踪效果急剧下降，因此提高复杂情况下的目标跟踪精度和成功率具有重要意义［4］。

相关滤波器算法因具有跟踪精度高和速度快的特性成为目标跟踪的研究热点之一［5-6］。文献［7］提出一种使用方向梯度直方图（Histogram of Oriented Gradient，HOG）特征的核相关滤波器（Kernelized Correlation Filter，KCF）跟踪算法，引入循环矩阵和核函数使该算法在保持高帧率的情况下跟踪精度得到极大提升。文献［8］提出一种SAMF 算法将多种特征进行融合，在定位目标的同时求解最佳目标尺寸。文献［9］提出判别尺度空间跟踪（Discriminative Scale Space Tracker，DSST）算法，通过引入一维相关滤波器完成目标尺度估计。上述算法求解滤波器时会忽略目标的历史信息，对此，文献［10］提出多模板尺度自适应核相关滤波器（Kernelized Correlation Filter based on Multiple-Template Scale Adaptation，KCF_MTSA）跟踪算法，同时更新历史模板信息与当前模板信息来求解滤波器，从而实现滤波器的时间一致性。文献［11］提出Staple 算法，将方向梯度直方图特征与颜色直方图特征进行融合，有效提升算法性能。文献［12］提出背景感知相关滤波器（Background-Aware Correlation Filter，BACF）算法，利用掩膜矩阵获取正负样本建立目标模板，在实现高精度的同时确保高速率。随着深度学习的兴起，文献［13-14］利用卷积神经网络进行跟踪目标的特征提取，特征辨识度更高，算法性能得到较大提升，但是其计算开销较大，在实际应用中难以满足实时跟踪的要求。……