基于多层深度特征的尺度相关粒子滤波算法

马媛媛，杨小军

(长安大学 信息工程学院，陕西 西安 710064)

0 引 言

计算机视觉[1-3]已经研究了几十年，目标跟踪问题通常是在目标运动时估计目标在图像平面上的轨迹问题。虽然在文献中已经对建立鲁棒跟踪框架做了大量的努力，但当目标出现外观突变或遮挡时，跟踪器往往会受到影响从而导致跟踪目标失败。

近年来，基于判别式的相关滤波器被证明能够在跟踪速度上有显著提高且能精准跟踪目标，因此得到了广泛应用。为了跟踪，一个相关过滤器通过计算每个学习模板(或过滤器)相对于测试图像样本的点积来评估相似度。利用卷积定理可以加快相关滤波器的计算速度，它表明空间域的卷积可以计算为频域傅里叶变换的元素乘。虽然CSK[4]和KCF[5]方法在准确性和鲁棒性方面都达到了最优，但这些基于相关滤波器的跟踪器并不处理尺度变化。为了处理目标对象的尺度变化，Danelljan等人[6]提出了一种新的DSST跟踪器，通过分别学习平移和尺度估计的相关滤波器，提出一种新的尺度自适应方法来精确估计目标的大小。尽管DSST跟踪器在学习基于判别相关滤波器的鲁棒尺度估计方面表现良好，但在金字塔尺度表示中，它不能很好地处理局部遮挡和完全遮挡。

另一方面，粒子滤波[7-8]可用于处理大尺度变化和局部遮挡。通过增加粒子数来提高跟踪性能。但是，由于计算量的增加，跟踪效率会降低。将外观自适应模型[9]集成到粒子滤波框架中，其中粒子数取决于噪声方差。……