外观表征分析下动态更新相关滤波跟踪

摘要

目的 基于相关滤波和孪生神经网络的两类判别式目标跟踪方法研究已取得了较大进展,但后者计算量过大,完全依赖GPU(graphics processing unit)加速运算.传统相关滤波方法由于滤波模型采用固定更新间隔,难以兼顾快速变化目标和一般目标.针对这一问题,提出一种基于目标外观状态分析的动态模型更新算法,优化计算负载并提高跟踪精度,兼顾缓变目标的鲁棒跟踪和快速变化目标的精确跟踪.方法 通过帧间信息计算并提取目标区域图像的光流直方图特征,利用支持向量机进行分类从而判断目标是否处于外观变化状态,随后根据目标类别和目标区域图像的光流主分量幅值动态设置合适的相关滤波器更新间隔.通过在首帧进行前背景分离运算,进一步增强对目标外观表征的学习,提高跟踪精度.结果 在OTB100(object tracking benchmark with 100 sequences)基准数据集上与其他6种快速跟踪算法进行对比实验,本文算法的精准度和成功率分别为86.4％和64.9％,分别比第2名ECO-HC(efficient convolution operators using hand-crafted features)算法高出1.4％和0.9％.在平面内旋转、遮挡、部分超出视野和光照变化这些极具挑战性的复杂环境下,精准度分别比第2名高出3.0％、4.4％、5.2％和6.0％,成功率高出1.9％、3.1％、4.9％和4.0％.本文算法在CPU(central processing unit)上的运行速度为32.15帧/s,满足跟踪问题实时性的要求.结论 本文的自适应模型更新算法在优化计算负载的同时取得了更好的跟踪精度,适合于工程部署与应用.