融合深度特征和尺度自适应的目标跟踪算法

摘要

针对传统核相关滤波器(Kernel Correlation Filter,KCF)目标跟踪算法在复杂应用场景下准确度和成功率降低的问题,提出了一种融合深度特征和尺度自适应的抗遮挡目标跟踪算法。将传统核相关滤波算法中HOG特征替换为深度特征来建立视觉外观模型增强算法对目标特征的表达能力。通过融合DSST算法中的尺度滤波器来实现目标尺度的估计,解决了传统核相关滤波跟踪器无法尺度自适应的问题。针对目标容易在遮挡环境中跟丢的问题,引入了最大历史均值和平均峰值相关能量来判断跟踪目标的可信度,当检测到发生遮挡时,通过自适应抗遮挡搜索机制,有效地改善了目标跟丢的问题。通过在OTB100数据集中验证结果表明,改进后的算法在复杂应用场景下的准确度和成功率与传统算法相比有明显提升。