基于多特征融合的尺度自适应KCF目标跟踪算法

周正松, 陈虹君， 周 红

(四川大学锦城学院, 成都611731)

1 引 言

近些年，针对特定目标的跟踪方法受到不少学者的关注和深入研究[1-3]，而在实际应用中，仍然会遇到不少问题，如目标受到的光照、姿态、遮挡和背景复杂等情况.近几年，基于判决模型的目标跟踪算法取得了较好的效果，该类算法的基本思想是把目标跟踪问题看作是目标与背景进行分类的问题.该类算法通过对大量的目标和背景样本进行分类学习，再通过分类器对当前输入图像进行分类，找出目标，其中很典型的算法就是核相关滤波(KCF，Kernelized Correlation Filters)目标跟踪算法[4-8].

2014年，Henriques等人提出了一种非常有效的运动目标跟踪算法，即KCF算法[4]，该算法是一种判别式跟踪，通过训练样本去训练出一个判别分类器，从而能够快速的判断跟踪到的是目标还是背景，该算法使用循环矩阵对样本进行采集，用岭回归训练判别分类器，并利用循环矩阵在变换域的对角化性质，将复杂的矩阵运算转化为简单的向量运算，即元素之间的乘积，从而简化了计算，提高了运算效率，使得算法满足应用的实时性要求.然而,KCF算法也存在一些不足，如提取外观特征单一，不能自适应尺度变化和模型更新因子，因此，本文对其理论进行了详细的推导，并针对KCF算法的不足进行了改进.

2 KCF算法理论

2.1 一维岭回归

设训练样本集(xi,yi),其中，xi为样本，yi为样本标签，其回归表达式为f(xi)=wTxi,列向量w是样本xi的权重系数，可通过最小二乘法求解

(1)

其中，λ是正则化参……