基于时空上下文的视觉跟踪自适应超特征融合*

冯明辉

（福建中烟工业有限责任公司 厦门 362000）

1 引言

视觉跟踪是计算机视觉领域的一个热门研究问题，有着广泛的应用，例如智能视频监控［1］，自动驾驶［2］，医疗诊断［3］，虚拟现实［4］。视觉跟踪的主要任务是估计后续帧中目标的未知状态，只有第一帧中目标的初始状态（例如，通常是位置或比例）可用。目前，主流的跟踪算法一般分为两类，一类是基于相关滤波框架的跟踪算法，另一类是基于深度卷积神经网络的跟踪算法。这两种方法各有优缺点。

基于相关滤波器的方法［11～22，27～31］已于2010年引入视觉跟踪社区，并取得了令人印象深刻的跟踪性能。由于计算量低，基于CF 的跟踪器可以通过快速傅立叶变换（FFT）将时域中复杂的卷积计算转换成频域中简单的元素乘法运算。这种方法通常使用手工制作的特征（如 HOG［5］，Corlor Names［6］）来处理跟踪过程中各种目标和背景外观的变化。

特征级融合方法［6～8］已经被广泛应用，并且已经做出了相当大的努力来提高跟踪性能，但是仍然有很大的改进空间。方法［7］有效地结合了多种手工制作的特征，如HOG 和颜色名称，其中HOG 特征对光照变化敏感，颜色名称对变形和运动模糊具有鲁棒性。HCFTstar［8～10］有效地结合了多层深层层次卷积特征，在跟踪过程中，目标对象经常会遇到各种复杂的外观场景挑战。不正确的更新方法很容易导致跟踪漂移，并会对后续帧的跟踪性能产生负面影响。目前，大多数跟踪算法［12，19～20，27］逐帧更新他们的模型，这些方法没有考虑跟踪是否准确。……