学习时间变异抑制相关滤波的视频跟踪算法

李养晓,赵建伟

(中国计量大学 理学院,浙江 杭州 310018)

视频目标跟踪作为计算机视觉领域的一个重要分支,因其在无人机、智能监控、机器人视觉、虚拟现实、军事成像制导等领域的重要应用受到学者的广泛关注[1]。然而,由于在跟踪过程中常出现局部遮挡、变形、快速变化、光照剧烈变化、背景干扰和运动模糊等因素的影响,在跟踪过程中容易出现跟踪异常,导致跟踪目标丢失。因此,设计可靠、鲁棒的目标跟踪算法仍然是一个极具挑战性的问题。

近年来,基于判别相关滤波器(discriminant correlation filter,DCF)的跟踪算法因其在频域中的快速计算和优良的定位性能而获得了学者的极大关注。这类跟踪算法主要通过将待检测图像与滤波器进行卷积运算,将获得的最大响应值的位置定位为下一帧图像中的目标。不同于传统的跟踪器随机提取目标区域和背景信息作为训练样本,DCF通过循环位移操作进行密集采样,并在傅里叶频域中学习相关滤波。因此,基于DCF的跟踪器具有良好的跟踪精度和速度。本文研究DCF类框架下的目标跟踪算法。

2010年,Bolme等[2]首次将相关滤波引用到了目标跟踪领域,提出了基于误差最小平方和滤波(minimum output sum of squared error filter,MOSSE)跟踪算法,其跟踪速度达到每秒600—700帧。为了充分利用图片的特征信息并增加训练样本的数量,Henriques等人[3]提出了高速的基于核相关滤波(kernelized correlation filters,KCF)跟踪算法。该算法通过循环位移操作,实现对图片的密集采样来增加训练样本的数量,其学习滤波器的优化模型如下:

(1)

式(1)中,y表示目标响应图,X表示训练样本,h表示要学习的相关滤波。……