夏爱明，伍雪冬

〈图像处理与仿真〉

基于上下文感知和尺度自适应的实时目标跟踪

夏爱明，伍雪冬

（江苏科技大学 电子信息学院，江苏 镇江 212003）

针对传统核相关滤波视觉目标跟踪算法在快速运动、背景杂波、运动模糊等情况下跟踪精度低且不能处理尺度变化的问题，提出了一种基于上下文感知和尺度自适应的实时目标跟踪算法。该算法在核相关滤波算法框架的基础上，引入了上下文感知和尺度自适应方法，增加了背景信息且能够处理目标的尺度变化。首先，利用融合了fHOG（fusion histogram of oriented gradient）、CN（color names）和灰度的特征对目标区域进行采样，训练一个二维位移滤波器，然后，在目标区域建立尺度金字塔，利用fHOG对目标区域进行多尺度采样，训练一个一维尺度滤波器，最后，在模型更新阶段改进了更新策略。在标准数据集OTB-2015上对100组视频序列进行的试验结果表明，提出的算法比基准算法（kernel correlation filter, KCF）精度提高了13.9%，成功率提高了14.2%，且优于实验中对比的其他跟踪算法。在尺度变化、运动模糊、快速运动等条件下，提出的算法在准确跟踪的同时，能够保持较高的速度。

相关滤波；特征融合；上下文感知；尺度自适应

0 引言

目标跟踪是计算机视觉领域极具挑战性的课题，在服务型机器人、视频监控、人机交互、智能交通等方面有着广泛的应用前景。但在实际的场景中，存在着目标尺度变化、遮挡、姿态变化、光照变化等问题，这些问题影响了目标跟踪的准确性和成功率，因此如何解决这些问题成为视觉目标跟踪方向的研究热点[1-2]。……