全局块与局部块协作的相关滤波目标跟踪算法

摘要

针对传统相关滤波跟踪器在目标尺度变化和部分遮挡时效果不佳等问题,基于KCF提出了一种全局块与局部块协作的分块跟踪算法。该算法首先根据目标的外观特征,对跟踪目标进行水平或垂直分块,并分别训练两个局部滤波器和一个全局滤波器;然后在跟踪过程中使用局部滤波器对局部块进行跟踪,并根据局部块的跟踪结果对全局块的中心点位置进行初始预测。最后通过全局滤波器确定目标的最终位置,并将相关更新和尺度参数反馈给局部滤波器,以更新全局滤波器和局部滤波器。此外,不同于KCF使用单一的HOG特征,该算法合并了CN特征,改善了HOG特征对目标形变和运动模糊的表达能力。另外,为解决目标部分遮挡导致的模型漂移问题,提出了一种基于有效局部块来指导模型更新的方法,并给出了有效局部块的评价标准。同时,该算法通过分析前后两帧局部块之间的距离变化对目标的尺度进行估计,解决了因目标尺度变化带来的跟踪失败问题。实验在包含100个视频序列的公共数据集OTB-100上进行,在评价指标上,以AUC得分为主,DP和OP为辅,对算法的性能进行评估。实验结果表明:所提出的算法能有效应对尺度变化和部分遮挡的问题,AUC得分在KCF的基础上提升了10%,总体性能也比KCF的其他4个改进算法更优,处理速度达到32 fps。