王向军罗 仁徐小东
(1.天津大学精密测试技术及仪器国家重点实验室,天津300072;2.天津大学微光机电系统技术教育部重点实验室,天津300072)
目标跟踪技术作为计算机视觉的一个重要部分,在精确制导、人机交互、视频监控等领域有着广泛的应用。 近年来随着目标跟踪技术的快速发展,相关滤波类与深度学习类跟踪算法成为主流[1]。 其中深度学习类算法效果好[2-3],但通常时间复杂度较高并且需要较大内存空间,而小型嵌入式平台往往计算能力有限且内存空间相对较小,因此针对小型嵌入式平台,相关滤波类算法是主流方向。 2010 年David S. Bolme 等人[4]提出平方误差最小滤波器(Minimum Output Sum of Squared Error,MOSSE),将信号处理中的相关概念引入到目标跟踪领域。 随后2012 年Henriques 等人[5]提出CSK 算法,引入循环矩阵提升样本数量,增强了相关滤波算法的性能。 针对CSK 算法灰度特征表征力不足的缺点,Joao F.Henriques 等人[6]提出利用梯度直方图特征(Histogram of Oriented Gradient,HOG)特征代替灰度特征的核化相关滤波跟踪算法(Kernelized Correlation Filters,KCF)。 Martin Danelljan 等人[7]提出基于卷积特征的空间正则化滤波算法(Convolutional Features for Correlation Filter Based Visual Tracking,DeepSRDCF)对KCF 进行改进。 针对相关滤波类算法尺度适应不足的问题,Jianke Zhu 等人[8]提出自适应尺度变化的相关滤波跟踪算法(Scale Adaptive Kernel Correlation Filter Tracker,SAMF),通过建立尺度池,取响应值最大的位置为最佳的位置与尺度。 Martin Danelljan 等人[9]提出判别式尺度跟踪算法(Discriminative Scale Space Tracking,DSST),通过构建尺度金字塔,训练尺度滤波器判别尺度。
现有研究大多基于PC 架构,主要通过使用更复杂的特征(HOG、颜色、卷积等)、构造更多的样本和使用更复杂的目标函数三个方向来提高算法性能,但是随着算法性能的提升,时间和空间复杂度也在不断增加,难以在嵌入式平台上进行算法部署和实现[1]。……