1. 引言
视频目标跟踪即根据人工或自动标注的初始目标得到后续帧序列中该目标的运动轨
迹,其在视频监控、人机交互、无人驾驶等领域有着广泛的应用.近些年目标跟踪技术已经
取得了很大的进步,然而,由于实际复杂场景中光照变化、外观形变、局部遮挡、快速运
动、运动模糊、背景混乱等多种因素的干扰,使得鲁棒的目标跟踪技术仍面临着诸多挑战.
文献[1-2]是使用多特征融合的相关滤波类算法,有利用 HOG 特征和颜色特征(CN)的
互补优势进行特征融合,还有将深度特征(CNN)和手工特征(HOG、CN)进行融合,其浅层
特征富含图像的轮廓、颜色及结构信息,深层特征富含语义和高级信息,提高了目标特征
的表示能力.可见,多种互补特征的有效融合可以有效促进相关滤波跟踪算法的鲁棒性.
相关滤波类跟踪算法通过使用循环矩阵生成的训练样本进行相关性检测时会导致边界
效应问题.具体来讲,如果被跟踪目标偏离相关性检测区域中心位置,移动到检测区域的边
界甚至部分移出检测边界就会产生边界效应,从而影响相关性检测结果的准确性.文献[3-4]
通过结合掩模矩阵和循环移位方法,裁剪真实样本用于滤波器的训练,在扩大检测范围的
同时提高了训练样本的质量,缓解了原始循环移位导致的边界效应.
因此本文基于 BACF 算法,提出了一种采用相关性区域修正的背景感知相关滤波跟踪
方法.在特征提取阶段针对不同的视频序列(彩色视频和灰度视频)使用了不同的多特征融合
方式,以增强目标特征表示能力.在目标检测阶段,对于每一帧采用边缘轮廓检测方法得到
类目标位置修正 BACF 算法需要扩大的相关性检测范围,并形成一个新的的裁剪矩阵,不
仅实现帧间检测范围和裁剪矩阵的自适应目标大小变化,且使得当前帧目标尽可能靠近相
关性检测中心区域,并提高了训练样本的质量,以缓解边界效应问题.实验表明本文方法能
够有效促进基础算法的鲁棒性.
2. BACF 相关滤波算法跟踪框架
相关滤波类跟踪方法为了解决稀疏采样造成的样本冗余问题,采用循环移位生成的样
本替代密集采样得到的样本.例如 KCF
[5]
算法在目标周围区域采用循环移位采集正负样本,
由于循环矩阵具有傅里叶变换对角化特性,故可以通过快速傅里叶变换减小求解计算量.相
关滤波器的训练过程实质上是对使用循环移位样本的岭回归模型求解,如公式(1)所示.
E(h)=12∑jD∥y(j)−hTx[Δτj]∥22+λ2∥h∥22E(h)=12∑jD∥y(j)−hTx[Δτj]∥22+λ2∥h∥22
式中,D 是样本的数量,y(j)是第 j 个样本期望的相关响应,h 是需要训练的滤波器,
h
T
表示 h 的转置,[Δτ
j
]是循环移位运算符,{x[Δτ
1
]…x[Δτ
D
]}表示基于样本 x 生成的循环矩
阵,λ 为正则化系数.
评论0
最新资源