如何使用稀疏卷積特征和相關(guān)濾波進(jìn)行實(shí)時(shí)視覺跟蹤算法

　　為提高分層卷積相關(guān)濾波視覺跟蹤算法的實(shí)時(shí)性能，提出一種稀疏卷積特征的實(shí)時(shí)目標(biāo)跟蹤算法。首先，在分析不同層卷積特征的基礎(chǔ)上，采用等間隔采樣的方式提取每個(gè)卷積層的稀疏卷積特征；然后，對每個(gè)卷積層特征的相關(guān)濾波響應(yīng)值進(jìn)行加權(quán)組合，得到目標(biāo)預(yù)測的位置；最后，采用稀疏的模型更新策略進(jìn)一步提高算法的運(yùn)行速度。在OTB-2015新增的50組數(shù)據(jù)上對所提算法進(jìn)行測試，實(shí)驗(yàn)結(jié)果表明，該算法的平均距離精度為82.2%，比原分層卷積特征跟蹤算法提高了5. 25個(gè)百分點(diǎn)，對目標(biāo)姿態(tài)以及遮擋等變化具有較好的魯棒性。該算法的平均跟蹤速度為32.6幀／s，是原分層卷積特征跟蹤算法的近3倍，能達(dá)到實(shí)時(shí)跟蹤的效果。

　　摘為提高分層卷積相關(guān)濾波視覺跟蹤算法的實(shí)時(shí)性能，提出一種稀疏卷積特征的實(shí)時(shí)目標(biāo)跟蹤算法。首先，在分析不同層卷積特征的基礎(chǔ)上，采用等間隔采樣的方式提取每個(gè)卷積層的稀疏卷積特征；然后，對每個(gè)卷積層特征的相關(guān)濾波響應(yīng)值進(jìn)行加權(quán)組合，得到目標(biāo)預(yù)測的位置；最后，采用稀疏的模型更新策略進(jìn)一步提高算法的運(yùn)行速度。在OTB-2015新增的50組數(shù)據(jù)上對所提算法進(jìn)行測試，實(shí)驗(yàn)結(jié)果表明，該算法的平均距離精度為82.2%，比原分層卷積特征跟蹤算法提高了5. 25個(gè)百分點(diǎn)，對目標(biāo)姿態(tài)以及遮擋等變化具有較好的魯棒性。該算法的平均跟蹤速度為32.6幀／s，是原分層卷積特征跟蹤算法的近3倍，能達(dá)到實(shí)時(shí)跟蹤的效果。視頻跟蹤技術(shù)融合了圖像處理、模式識別、人工智能、自動控制以及計(jì)算機(jī)等眾多領(lǐng)域中的先進(jìn)技術(shù)和核心思想，在軍事制導(dǎo)、視覺導(dǎo)航、安全監(jiān)控、智能交通、醫(yī)療診斷以及氣象分析等方面具有重要的研究意義和廣闊的應(yīng)用前景。經(jīng)典的目標(biāo)跟蹤算法主要是通過訓(xùn)練分類器來區(qū)分目標(biāo)和背景，而基于相關(guān)濾波的跟蹤方法由于具有較好的實(shí)時(shí)性跟蹤效果，一直受到研究者的持續(xù)關(guān)注。Bolme等。4 0將相關(guān)濾波應(yīng)用到目標(biāo)跟蹤領(lǐng)域，怛只使用了單一的灰度特征來表征目標(biāo)，因此跟蹤精度較低。Henriques等。51結(jié)合循環(huán)矩陣?yán)碚摵涂焖俑道锶~變換快速訓(xùn)練分類器并且檢測目標(biāo)，速度達(dá)362IP~/s；該算法只使用單一特征進(jìn)行跟蹤，對目標(biāo)尺度變化、快速運(yùn)動等跟蹤效果不佳。Danellj an等。提出基于顏色屬性的相關(guān)濾波跟蹤算法，采用主成分分析將原來11維的顏色屬性降為2維的顏色特征，但對遮擋、形變等問題處理不好。Henriques等。利用循環(huán)矩陣在傅里葉空間可對角化的性質(zhì)提出了核相關(guān)濾波跟蹤算法，其多通道的梯度直方圖特征的核相關(guān)濾波算法的速度達(dá)到172，滿足跟蹤的實(shí)時(shí)性；但不具備尺度變化的能力，對多尺度的目標(biāo)跟蹤效果并不理想。Danelljan等。對核相關(guān)濾波算法進(jìn)行了改進(jìn)，在損失函數(shù)中引入空間正則化懲罰項(xiàng)，以抑制離中心較遠(yuǎn)的特征的影響，有效地解決了由循環(huán)矩陣導(dǎo)致的邊緣效應(yīng)，但速度只有5。提出一種自適應(yīng)融合顏色屬性和方向梯度直方圖特征的相關(guān)濾波算法，提高了目標(biāo)定位的精度，對光照變化、遮擋具有較好的魯棒性。