一种改进的Struck跟踪算法

摘要

Struck在面对目标尺度变化的场景时,跟踪结果的精度会降低,甚至出现丢失目标的情况.为解决这一问题,提出了一种在分类判别器中引入尺度变量的解决方案,在提高算法对尺度变化的鲁棒性的同时提高算法的实时性.对算法的改进主要是在分类判别器添加尺度变量,让分类器学习目标的尺度信息.同时在采样过程中,利用支持向量机中的判别函数实现目标位置预测,并减少计算量、提高实时性.改进后的算法在Car4、Girl、Walking、Basketball三个视频序列测试集上进行测试,运行平台为I7处理器、Win10系统,实时性和精准度都有明显的提升.其中,在Girl测试序列上距离精度提升最为明显,在阈值为26个像素时,达到31.2％.理论分析和实验证明,改进的算法有效地解决了传统Struck算法对目标尺度变化鲁棒性不好的问题,实时性也有所提高.