如何使用稀疏卷积特征和相关滤波进行实时视觉跟踪算法

　　为提高分层卷积相关滤波视觉跟踪算法的实时性能，提出一种稀疏卷积特征的实时目标跟踪算法。首先，在分析不同层卷积特征的基础上，采用等间隔采样的方式提取每个卷积层的稀疏卷积特征；然后，对每个卷积层特征的相关滤波响应值进行加权组合，得到目标预测的位置；最后，采用稀疏的模型更新策略进一步提高算法的运行速度。在OTB-2015新增的50组数据上对所提算法进行测试，实验结果表明，该算法的平均距离精度为82.2%，比原分层卷积特征跟踪算法提高了5. 25个百分点，对目标姿态以及遮挡等变化具有较好的鲁棒性。该算法的平均跟踪速度为32.6帧／s，是原分层卷积特征跟踪算法的近3倍，能达到实时跟踪的效果。

　　摘为提高分层卷积相关滤波视觉跟踪算法的实时性能，提出一种稀疏卷积特征的实时目标跟踪算法。首先，在分析不同层卷积特征的基础上，采用等间隔采样的方式提取每个卷积层的稀疏卷积特征；然后，对每个卷积层特征的相关滤波响应值进行加权组合，得到目标预测的位置；最后，采用稀疏的模型更新策略进一步提高算法的运行速度。在OTB-2015新增的50组数据上对所提算法进行测试，实验结果表明，该算法的平均距离精度为82.2%，比原分层卷积特征跟踪算法提高了5. 25个百分点，对目标姿态以及遮挡等变化具有较好的鲁棒性。该算法的平均跟踪速度为32.6帧／s，是原分层卷积特征跟踪算法的近3倍，能达到实时跟踪的效果。视频跟踪技术融合了图像处理、模式识别、人工智能、自动控制以及计算机等众多领域中的先进技术和核心思想，在军事制导、视觉导航、安全监控、智能交通、医疗诊断以及气象分析等方面具有重要的研究意义和广阔的应用前景。经典的目标跟踪算法主要是通过训练分类器来区分目标和背景，而基于相关滤波的跟踪方法由于具有较好的实时性跟踪效果，一直受到研究者的持续关注。Bolme等。4 0将相关滤波应用到目标跟踪领域，怛只使用了单一的灰度特征来表征目标，因此跟踪精度较低。Henriques等。51结合循环矩阵理论和快速傅里叶变换快速训练分类器并且检测目标，速度达362IP~/s；该算法只使用单一特征进行跟踪，对目标尺度变化、快速运动等跟踪效果不佳。Danellj an等。提出基于颜色属性的相关滤波跟踪算法，采用主成分分析将原来11维的颜色属性降为2维的颜色特征，但对遮挡、形变等问题处理不好。Henriques等。利用循环矩阵在傅里叶空间可对角化的性质提出了核相关滤波跟踪算法，其多通道的梯度直方图特征的核相关滤波算法的速度达到172，满足跟踪的实时性；但不具备尺度变化的能力，对多尺度的目标跟踪效果并不理想。Danelljan等。对核相关滤波算法进行了改进，在损失函数中引入空间正则化惩罚项，以抑制离中心较远的特征的影响，有效地解决了由循环矩阵导致的边缘效应，但速度只有5。提出一种自适应融合颜色属性和方向梯度直方图特征的相关滤波算法，提高了目标定位的精度，对光照变化、遮挡具有较好的鲁棒性。