如何使用自适应组合核的鲁棒视频进行目标跟踪算法说明

　　为了解决核化相关滤波器（ KCF）在复杂场景下鲁棒性差的问题，提出了基于自适应组合核（SACK）的目标跟踪算法。跟踪任务分为位置跟踪和尺度跟踪两个独立部分。首先，以线性核和高斯核的自适应组合作为核跟踪滤波器，构造了SACK权重的风险目标函数。该函数根据核的响应值自适应调整线性核和高斯核权重，不仅考虑了不同核响应输出的经验风险泛函最小，而且考虑了极大响应值的风险泛函，同时具有局部核和全局核的优点。然后，根据该滤波器的输出响应得到目标精确位置，设计了基于目标极大响应值的自适应更新率，针对位置跟踪滤波器进行自适应更新。最后，利用尺度跟踪器对目标尺度进行估计。实验结果表明，所提算法的成功率和距离精度在OTB-50数据库表现最优，比KCF算法分别高6.8个百分点和4.1个百分点，比双向尺度估计跟踪（BSET）算法分别高2个百分点和3.2个百分点。该算法对形变和遮挡等复杂场景具有很强的适应能力。

　　目标跟踪是根据最优估计算法分析视频中目标的状态，从而为进一步目标识别、分类等提供有效技术支撑。该技术已经被成功应用于智能视频监控、导航与定位、医学处理等领域。当前，目标跟踪算法可分成生成式模型和判别式模型两大类。生成式模型主要运用生成模型描述目标特征，通过搜索候选目标来最小化重构误差，有基于粒子滤波跟踪算法、meanshift算法以及卡尔曼滤波和meanshift融合方法等；然而，该方法往往忽略背景信息，因此当目标发生剧烈变化或遮挡时容易产生漂移。判别式方法通过训练分类器来区分目标和背景，主要有随机森林算法、相关滤波器（Correlation Filter．CF）算法、结构化支持向量机（Support Vector Machine， SVM）算法以及深度学习算法等，判别式方法能够显著区分背景和前景的信息，已成为目标跟踪的研究主流。