基于自适应空间正则化的视觉目标跟踪算法

谭建豪 张思远

(湖南大学电气与信息工程学院 长沙 410082)(机器人视觉感知与控制技术国家工程实验室(湖南大学) 长沙 410082)(tanjianhao@hnu.edu.cn)

Fig. 1 Flow chart of tracking algorithm图1 跟踪算法流程图

视觉跟踪技术是计算机视觉领域中一个重要的研究方向，在视觉制导、人机交互、视频监控等多个领域都有广泛应用.随着MOSSE(minimum output sum of squared error)算法将相关滤波引入视觉跟踪中，这种从时域计算转换到频域计算的方法大大提升了运算速度.基于相关滤波的视觉跟踪技术由此得到迅速发展[1]，出现很多经典的跟踪算法，如Henriques等人[2]提出的核相关滤波(kernelized correlation filter, KCF)算法，速度在CPU上达到172fps；Danelljan等人[3]提出的DSST(discriminative scale space tracking)算法，采用了33种不同尺度，大大提高了尺度估计的精度；Li等人[4]提出的SAMF(scale adaptive with multiple features)算法，引入了多特征融合和尺度自适应策略，对遮挡具有良好的抵抗能力.

而随着相关滤波类视觉跟踪算法性能的不断提升，因循环移位采样导致的边界效应问题引起了学者的关注.边界效应产生的错误样本会导致模型判别力下降，尤其是在目标快速变形和快速运动的场景下更为明显.为解决这一问题，Galoogahi等人[5]提出了BACF(background-aware correlation filter)算法，使用真实的负样本代替正样本循环移位生成的负样本，这些样本包括了更大的搜索区域和真实的背景,取得了不错的效果；Danelljan等人[6]提出了SRDCF(spatially regularized discriminative correla-tion filters)算法，在模型中加入了空间正则化项，让边界附近滤波器系数接近零，一定程度上缓解了边界效应问题，但该方法为了形成合适的正则化权重，必须仔细调整一组超参数，否则会导致较差的跟踪性能，且算法整体速度较慢；……