王伟东 罗莹 王坤 吕俊峰

(新疆第二医学院,新疆克拉玛依 834000)

1 核相关滤波算法

当前基于判别式模型的跟踪方法已经成为研究者研究的主流算法,该方法的最大优势在于将图像中的目标和背景区分开。在判别式的跟踪方法中,基于相关滤波的跟踪方法无论从速度上还是鲁棒性上都有很出色的表现。2010年的CVPR会议上,Bolme[1]等人创造性地提出了MOSSE目标跟踪算法。MOSSE算法首先将相关滤波器的概念引入到目标跟踪当中,该算法的主要思想就是将空间域的计算转换到频域来进行简化,论文的实验结果可达到669FPS的速度。2014年,Henriques[2]等人提出了KCF算法,也就是本文所采用的核心算法。KCF算法的最大优势就是将傅里叶变换引入进来,通过循环矩阵来对算法进行加速。KCF算法相比MOSSE算法的优势在于将原始的灰度特征扩展到HOG特征,使算法整体的跟踪性能大幅度提升。核相关滤波的工作流程如图1所示:

图1 核相关滤波框架图Fig.1 Framework of kernel correlation filtering

2 卷积神经网络基础

卷积神经网络的本质类似于生物系统,在深度学习算法中具有不可替代的重要地位。1987年,Alexander[3]等提出的时间延迟网络,这是世界上第一个卷积神经网络。为了解决计算机视觉相关问题,LeCun等人提出了具有跨时代意义的卷积神经网络LeNet[4]。后面几十年,卷积神经网络受到了硬件发展的限制,并没有得到广泛的关注。卷积神经网络重新回到研究者的视野是在2012年举办的Image Net竞赛,AlextNet[5]一举夺得了该大赛的冠军。如今计算机硬件的快速发展,研究者无私地开源数据集,未来卷积神经网络在计算机视觉领域必将越来越受欢迎。……