基于相关滤波器的目标跟踪方法综述
《2024年目标跟踪算法综述》范文
《目标跟踪算法综述》篇一一、引言目标跟踪是计算机视觉领域的重要研究方向之一，其应用广泛，包括视频监控、人机交互、自动驾驶等领域。
目标跟踪算法的主要任务是在视频序列中，对特定目标进行定位和跟踪。
本文旨在全面综述目标跟踪算法的研究现状、基本原理、技术方法以及发展趋势。
二、目标跟踪算法的基本原理目标跟踪算法的基本原理是通过提取目标特征，在视频序列中寻找与该特征相似的区域，从而实现目标的定位和跟踪。
根据特征提取的方式，目标跟踪算法可以分为基于特征的方法、基于模型的方法和基于深度学习的方法。
1. 基于特征的方法：该方法主要通过提取目标的颜色、形状、纹理等特征，利用这些特征在视频序列中进行匹配和跟踪。
其优点是计算复杂度低，实时性好，但容易受到光照、遮挡等因素的影响。
2. 基于模型的方法：该方法通过建立目标的模型，如形状模型、外观模型等，在视频序列中进行模型的匹配和更新。
其优点是能够处理部分遮挡和姿态变化等问题，但模型的建立和更新较为复杂。
3. 基于深度学习的方法：近年来，深度学习在目标跟踪领域取得了显著的成果。
该方法主要通过训练深度神经网络来提取目标的特征，并利用这些特征进行跟踪。
其优点是能够处理复杂的背景和目标变化，但需要大量的训练数据和计算资源。
三、目标跟踪算法的技术方法根据不同的应用场景和需求，目标跟踪算法可以采用不同的技术方法。
常见的技术方法包括基于滤波的方法、基于相关性的方法和基于孪生网络的方法等。
1. 基于滤波的方法：该方法主要通过设计滤波器来对目标的运动进行预测和跟踪。
常见的滤波方法包括卡尔曼滤波、光流法等。
2. 基于相关性的方法：该方法通过计算目标与周围区域的相关性来实现跟踪。
常见的相关性方法包括基于均值漂移的算法、基于最大熵的算法等。
3. 基于孪生网络的方法：近年来，基于孪生网络的跟踪算法在准确性和实时性方面取得了显著的进步。
该方法通过训练孪生网络来提取目标和背景的特征，并利用这些特征进行跟踪。
kcf算法的实现 -回复
kcf算法的实现-回复KCF算法的实现KCF（Kernelized Correlation Filter）算法是一种基于相关滤波器的目标跟踪算法。
它通过将目标在图像域转化到特征域，利用核函数将相似度计算转化为线性回归问题，从而实现实时有效的目标跟踪。
本文将从KCF算法的原理、特征提取、核函数使用以及优化方法等方面，一步一步地介绍KCF算法的实现。
一、KCF算法原理KCF算法的核心思想是在每一帧图像中，通过相关滤波器将目标与背景进行分离。
其步骤如下：1. 初始化：首先在第一帧图像中手动选择目标的位置，并提取相关特征。
2. 特征提取：通过使用HOG（方向梯度直方图）特征和灰度图像特征，将目标从图像域转化到特征域，以提高鲁棒性。
对于每一帧图像，也使用相同的提取方法进行特征提取。
3. 相似度计算：利用核函数将目标模板与当前帧的特征进行比较，计算它们之间的相似度。
4. 线性回归：将相似度与样本标签建立线性关系，对目标模板和背景模板进行线性回归训练，得到目标模板的回归系数。
5. 目标跟踪：在下一帧图像中，通过将目标模板与当前帧进行相关计算，利用回归系数来定位目标的位置。
二、特征提取特征提取是KCF算法中非常重要的一步，它能够有效地从原始图像中提取有用的特征，以帮助跟踪目标。
常用的特征包括HOG特征和灰度图像特征。
1. HOG特征：方向梯度直方图（HOG）是一种用于目标检测和跟踪的特征描述子。
它将图像分割成小的单元格，计算每个单元格中灰度梯度的方向直方图，并将这些直方图串联起来形成特征向量。
HOG特征能够有效地表达目标的形状和边缘信息。
2. 灰度图像特征：除了HOG特征外，KCF算法还利用灰度图像的信息来进行目标跟踪。
通过将图像转化为灰度图像，可以简化计算，并提供目标的亮度信息。
三、核函数的使用KCF算法中使用核函数将相似度计算问题转化为线性回归问题，实现目标跟踪。
常用的核函数包括线性核函数、高斯核函数和多项式核函数。
目标跟踪算法综述
目标跟踪算法综述目标跟踪算法综述目标跟踪是计算机视觉领域的一项重要任务，它的目标是在视频中准确地跟踪一个或多个特定的目标。
目标跟踪技术在各个领域都有广泛的应用，比如视频监控、自动驾驶、智能交通系统等。
随着计算机性能的提高和人工智能的发展，目标跟踪算法也在不断地得到改进和创新。
本文将对目标跟踪算法的发展进行综述。
目标跟踪算法主要分为传统的基于模型的方法和基于深度学习的方法。
传统的基于模型的方法主要包括卡尔曼滤波器、粒子滤波器、相关滤波器等。
这些方法首先通过对目标进行建模，然后通过观察视频序列中的目标状态来更新模型，从而实现跟踪。
由于这些方法对目标的形状、运动等进行了建模，因此在目标快速运动、形变、遮挡等情况下表现较好。
但是，这些方法对于复杂的场景以及目标外观的变化较为敏感。
近年来，随着深度学习的兴起，基于深度学习的目标跟踪算法也取得了显著的进展。
深度学习通过神经网络模型对目标进行建模，并使用大量标注数据进行训练。
这种方法通过深度学习网络从图像中提取特征，并根据提取的特征进行目标检测和跟踪。
深度学习方法具有良好的泛化能力和鲁棒性，在复杂的场景下表现优秀。
然而，由于深度学习方法需要大量的训练数据和计算资源，其运行速度较慢。
基于深度学习的目标跟踪算法主要包括基于卷积神经网络（CNN）的方法和基于循环神经网络（RNN）的方法。
基于CNN 的方法通过在网络中使用卷积层和池化层，对目标进行特征提取和表示。
这些方法一般将目标跟踪问题视为图像分类或目标检测问题，通过对目标进行分类或定位来实现目标跟踪。
基于RNN的方法则通过对时间序列数据进行建模，利用循环神经网络对目标进行跟踪。
这些方法一般采用LSTM或GRU等循环神经网络结构来对目标状态进行建模，并通过时间序列数据来更新模型。
除了基于模型和深度学习的方法，还有一些其他的目标跟踪算法，例如基于边界框的方法、基于稀疏表示的方法、基于流场的方法等。
这些方法各有特点，在不同的场景和需求下有着不同的应用。
基于相关滤波器的目标跟踪方法综述
基于相关滤波器的⽬标跟踪⽅法综述0引⾔视觉跟踪是计算机视觉中引⼈瞩⽬且快速发展的领域,主要⽤于获取运动⽬标的位置、姿态、轨迹等基本运动信息,是理解服务对象或对⽬标实施控制的前提和基础。
其涉及许多具有挑战性的研究热点并常和其他计算机视觉问题结合出现,如导航制导、事件检测、⾏为识别、视频监控、⾃动驾驶、移动机器⼈等[1-4]。
虽然跟踪⽅法取得了长⾜进展,但由于遮挡、⽬标的平⾯内/外旋转、快速运动、模糊、光照及变形等因素的存在使其仍然是⾮常具有挑战性的⼯作。
近年来,基于相关滤波器CF(Correlation Filter)的跟踪⽅法得到了极⼤关注[5-9]。
CF 最⼤的优点是计算效率⾼,这归结于其假设训练数据的循环结构,因为⽬标和候选区域能在频域进⾏表⽰并通过快速傅⾥叶变换(FFT)操作。
Bolme [6]等⾸次将CF 应⽤于跟踪提出MOSSE 算法,其利⽤FFT 的快速性使跟踪速度达到了600-700fps 。
瑞典林雪平⼤学的Martin Danelljan 在2016年ECCV 上提出的相关滤波器跟踪算法C -COT [7]取得了VOT2016竞赛冠军,2017年其提出的改进算法ECO [8]在取得⾮常好的精度和鲁棒性的同时,显著提⾼运算速度⾄C-COT 的6倍之多。
基于CF 的跟踪算法如此优秀,已然成为研究热点。
近年和相关滤波有关的论⽂层出不穷,很有必要对这些论⽂及相关滤波的发展等进⾏⼀个归纳和总结,以推动该⽅向的发展。
⽂献[9]虽已做过综述并取得了⼀定效果,但有两点不⾜:(1)过多介绍现有⼏种⽅法的具体细节,没有对更多⽂献进⾏对⽐分析;(2)缺乏对基于相关滤波器跟踪⽅法的分类对⽐分析。
基于此,本⽂的不同基⾦项⽬:陕西理⼯⼤学科研项⽬资助(SLGKY16-03)基于相关滤波器的⽬标跟踪⽅法综述?马晓虹1,尹向雷2(1.陕西理⼯⼤学电⼯电⼦实验中⼼,陕西汉中723000;2.陕西理⼯⼤学电⽓⼯程学院,陕西汉中723000)摘要:⽬标跟踪是计算机视觉中的重要组成部分,⼴泛应⽤于军事、医学、安防、⾃动驾驶等领域。
《2024年目标跟踪算法综述》范文
《目标跟踪算法综述》篇一一、引言目标跟踪是计算机视觉领域中的一个重要研究方向，其核心在于通过图像序列分析，实现对特定目标的定位与追踪。
随着深度学习、人工智能等技术的飞速发展，目标跟踪算法在军事、安防、自动驾驶、医疗等多个领域均展现出其巨大应用潜力。
本文将对目标跟踪算法进行全面综述，包括其基本原理、研究现状以及未来发展等方面。
二、目标跟踪算法的基本原理目标跟踪算法的基本原理主要依赖于图像序列中的特征提取与匹配。
其基本步骤包括：初始化目标位置、特征提取、特征匹配与更新、目标位置预测等。
首先，在视频序列的初始帧中确定目标的位置；然后，通过提取目标的特征信息，如颜色、形状、纹理等；接着，利用这些特征信息在后续帧中进行匹配，以实现目标的跟踪；最后，根据匹配结果进行目标位置的预测与更新。
三、目标跟踪算法的研究现状（一）传统目标跟踪算法传统目标跟踪算法主要包括基于特征的方法、基于模型的方法和基于滤波的方法等。
其中，基于特征的方法主要通过提取目标的局部特征进行匹配；基于模型的方法则是通过建立目标的模型进行跟踪；基于滤波的方法则利用滤波器对目标进行预测与跟踪。
这些方法在特定场景下具有一定的有效性，但在复杂场景下往往难以取得理想的跟踪效果。
（二）深度学习在目标跟踪中的应用随着深度学习技术的发展，其在目标跟踪领域的应用也日益广泛。
深度学习能够自动提取目标的深层特征，提高跟踪的准确性与鲁棒性。
基于深度学习的目标跟踪算法主要包括基于孪生网络的方法、基于相关滤波与深度学习的结合方法等。
这些方法在复杂场景下取得了较好的跟踪效果。
四、常见的目标跟踪算法及其优缺点（一）基于相关滤波的跟踪算法该类算法利用相关滤波技术对目标进行跟踪，具有较高的计算效率。
但其缺点是对于复杂场景的适应性较差，容易受到光照变化、形变等因素的影响。
（二）基于深度学习的跟踪算法该类算法通过深度学习技术自动提取目标的特征信息，具有较高的准确性。
但其计算复杂度较高，对硬件设备要求较高。
基于卡尔曼滤波的目标跟踪研究
基于卡尔曼滤波的目标跟踪研究摘要：随着计算机视觉和机器学习技术的发展，目标跟踪技术在许多领域中得到广泛应用。
卡尔曼滤波是一种经典的估计算法，可以用于目标跟踪，具有良好的估计性能和实时性。
本文主要介绍了卡尔曼滤波在目标跟踪领域的研究进展，包括基本原理、模型建立、算法优化等方面。
1.引言目标跟踪是计算机视觉和机器学习领域的一个重要研究方向。
在许多应用中，如视频监控、自动驾驶等，目标跟踪技术都扮演着重要的角色。
目标跟踪技术主要目的是在一段时间内通过图像或视频序列确定目标的位置、形状、尺寸等信息。
2.卡尔曼滤波的基本原理卡尔曼滤波是一种递归算法，用于估计线性系统的状态。
它基于贝叶斯滤波理论，将观测数据和系统动力学方程结合起来，通过迭代更新的方式获得对系统状态的估计。
卡尔曼滤波有两个主要的步骤：预测和更新。
预测步骤根据系统的动力学方程和上一时刻的状态估计，预测出当前时刻的状态。
更新步骤则根据观测数据和预测的状态，通过计算卡尔曼增益来更新状态估计。
3.卡尔曼滤波在目标跟踪中的应用目标跟踪问题可以看作是一个卡尔曼滤波问题，即通过观测数据预测目标的状态。
在目标跟踪中，系统动力学方程可以根据目标的运动模型来建立。
观测数据可以是目标在每一帧图像中的位置信息。
通过将这些信息输入到卡尔曼滤波器中，可以得到对目标状态的估计。
4.卡尔曼滤波在目标跟踪中的改进与优化尽管卡尔曼滤波在目标跟踪中取得了一定的成功，但还存在一些问题，如对目标运动模型的建模不准确、对观测数据的噪声假设过于理想等。
因此，研究者提出了许多改进和优化方法。
其中一种方法是引入非线性扩展的卡尔曼滤波，如扩展卡尔曼滤波（EKF）和无迹卡尔曼滤波（UKF）。
另一种方法是使用深度学习技术来提取更准确的特征表示，进一步改善目标跟踪性能。
5.实验与结果分析本节主要介绍了一些使用卡尔曼滤波进行目标跟踪的实验研究，并对其结果进行了分析。
实验结果表明，卡尔曼滤波在目标跟踪中具有较好的稳定性和精度。
基于相关滤波器的目标跟踪算法研究
摘要摘要目标跟踪是模式识别和计算机视觉中的重要研究课题之一，在视频监控、无人驾驶和人机交互等方向有着广泛的应用前景。
其技术层面上涉及机器学习、深度学习和计算机图像处理等范畴，具有深刻的研究意义。
历经数十年的研究与发展，大量优秀算法相继提出，极大程度地提升了跟踪结果的精确度和鲁棒性，但在实际应用中，由于目标本身和背景在跟踪过程中往往是不断变化的，目标遮挡、快速运动、光照变化等因素均会对跟踪结果造成影响，因此，目标跟踪领域仍然存在诸多有价值的研究方向。
为了进一步提升目标跟踪算法的精确度和鲁棒性，本文以鉴别性相关滤波算法（Discriminative Correlation Filter，DCF）为基础，分别从跟踪框架的设计以及目标的特征选择等角度展开深入分析和研究。
本文的具体研究工作和创新点如下：（1）提出一种基于深度特征和二值矩阵掩膜的相关滤波跟踪算法（Deep Features with Binary Matrix Mask Based Correlation Filter Tracking Algorithm，MDCF）。
在经典算法DCF的基础上，利用学习得到的二值矩阵作为局部约束掩膜，对模板信息进行裁剪，使滤波器的能量只集中于目标区域，对循环样本带来的边界效应进行有效抑制，从而提升跟踪结果的精确度和鲁棒性。
此外，算法采用表达能力更强的ResNet50深度特征替代经典算法中的方向梯度直方图特征（Histogram of Oriented Gradient，HOG）和颜色名称特征（Color Names，CN），采用深度特征时，将训练样本通过水平翻折、旋转和平移三种方式实现样本扩充，增加了目标模板的表达能力，进一步提升了算法的跟踪精度和鲁棒性。
（2）提出一种基于时序一致和空间剪裁的多特征相关滤波跟踪算法（Tracking Algorithm via Temporal Consistency and Spatial Pruning Based Correlation Filter with Multiple features，TCSP）。
基于判别相关性滤波器的运动目标跟踪方法研究
基于判别相关性滤波器的运动目标跟踪方法研究对运动目标进行稳定的跟踪是模式识别领域的重要研究课题,在生物视觉、自动驾驶、视频监控等领域应用广泛。
近来,机器学习和人工智能领域的快速发展,进一步促进了对目标跟踪课题的深入研究。
然而,由于目标跟踪过程中经常出现的外形变化、光照变化、遮挡、背景干扰等问题,在复杂环境下对运动目标进行鲁棒跟踪仍是一个极具挑战性的课题。
判别相关性滤波器的理论最早是在信号处理领域中被提出的,随后被引入到了目标跟踪领域。
相比于传统的目标跟踪算法,基于判别相关性滤波器的目标跟踪算法不仅能够达到较高的跟踪精确度和跟踪成功率,而且能够实现较快的跟踪处理速度,因此成为了近年来目标跟踪课题中的一个主要研究分支。
尽管此类算法相比于传统的目标跟踪算法已经有了明显的性能提升,但是此类算法中的许多问题,例如模型学习问题、目标尺度估计问题、上下文感知问题、深度学习问题等,需要更加深入的研究和进一步的解决以提升算法的整体性能。
针对以上问题,本课题在判别相关性滤波器框架下,重点研究了基于自步学习的目标外观模型学习方法、连续空间目标尺度估计策略、基于联合方式的上下文感知与回归目标自适应、孪生对称卷积网络中的残差分层注意力机制等几个方面的内容。
本文的具体工作和研究成果主要包括以下几个方面。
1)研究了基于自步学习的目标外观模型学习方法,提出了基于自步学习的目标跟踪算法。
传统的模型学习方法缺少相应的样本选择机制,在模型学习的过程中容易引入干扰样本影响目标外观模型的准确性。
尽管部分算法制定了对样本进行选择的标准,但这种人为制定的硬性标准不一定符合模型自身对训练样本的要求。
针对以上问题,将自步学习引入到了目标跟踪中,通过构建判别相关性滤波器框架下新的目标函数,建立了模型学习和样本选择之间的联系,模型可自适应的选择可靠的训练样本对目标外观进行学习。
其次,考虑到目标跟踪自身的特性,提出了带有约束向量的自步学习函数。
约束向量包含了目标跟踪的先验知识,能够反映各个帧中训练样本的重要性;自步学习函数中使用了混合阈值的学习模式,结合了硬阈值模式和软阈值模式各自的特点,可以为训练样本分配实数值的学习权重,能够反映每一帧中训练样本的可靠性,并且学习权重具有一定的容错能力。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
0引言视觉跟踪是计算机视觉中引人瞩目且快速发展的领域,主要用于获取运动目标的位置、姿态、轨迹等基本运动信息,是理解服务对象或对目标实施控制的前提和基础。
其涉及许多具有挑战性的研究热点并常和其他计算机视觉问题结合出现,如导航制导、事件检测、行为识别、视频监控、自动驾驶、移动机器人等[1-4]。
虽然跟踪方法取得了长足进展,但由于遮挡、目标的平面内/外旋转、快速运动、模糊、光照及变形等因素的存在使其仍然是非常具有挑战性的工作。
近年来,基于相关滤波器CF(Correlation Filter)的跟踪方法得到了极大关注[5-9]。
CF 最大的优点是计算效率高,这归结于其假设训练数据的循环结构,因为目标和候选区域能在频域进行表示并通过快速傅里叶变换(FFT)操作。
Bolme [6]等首次将CF 应用于跟踪提出MOSSE 算法,其利用FFT 的快速性使跟踪速度达到了600-700fps 。
瑞典林雪平大学的Martin Danelljan 在2016年ECCV 上提出的相关滤波器跟踪算法C -COT [7]取得了VOT2016竞赛冠军,2017年其提出的改进算法ECO [8]在取得非常好的精度和鲁棒性的同时,显著提高运算速度至C-COT 的6倍之多。
基于CF 的跟踪算法如此优秀,已然成为研究热点。
近年和相关滤波有关的论文层出不穷,很有必要对这些论文及相关滤波的发展等进行一个归纳和总结,以推动该方向的发展。
文献[9]虽已做过综述并取得了一定效果,但有两点不足:(1)过多介绍现有几种方法的具体细节,没有对更多文献进行对比分析;(2)缺乏对基于相关滤波器跟踪方法的分类对比分析。
基于此,本文的不同∗基金项目:陕西理工大学科研项目资助(SLGKY16-03)基于相关滤波器的目标跟踪方法综述∗马晓虹1,尹向雷2(1.陕西理工大学电工电子实验中心,陕西汉中723000;2.陕西理工大学电气工程学院,陕西汉中723000)摘要:目标跟踪是计算机视觉中的重要组成部分,广泛应用于军事、医学、安防、自动驾驶等领域。
虽然取得了很大进展,但由于遮挡、快速运动、模糊、光照及变形等因素存在,其仍是具有挑战性的研究领域。
近年来,属于判别式类型的相关滤波器跟踪方法由于具有非常高的处理速度备受关注。
首先介绍了目标跟踪和相关滤波器的基本知识,之后对相关滤波器方法在朴素阶段、循环结构和核技巧、多特征通道、与深度特征的结合、尺度研究、边界效应以及其他信息的利用方面进行了详述,最后对基于相关滤波器方法的研究方向和发展趋势给出了几点看法。
关键词:计算机视觉;目标跟踪;相关滤波器中图分类号:TP391文献标识码:ADOI :10.16157/j.issn.0258-7998.174811中文引用格式:马晓虹,尹向雷.基于相关滤波器的目标跟踪方法综述[J].电子技术应用,2018,44(6):3-7,14.英文引用格式:Ma Xiaohong ,Yin Xianglei.Method of object tracking based on correlation filters :a survey[J].Application of Elec-tronic Technique ,2018,44(6):3-7,14.Method of object tracking based on correlation filters :a surveyMa Xiaohong 1,Yin Xianglei 2(1.Electrical and Electronic Experiment Teaching Center ,Shannxi University of Technology ,Hanzhong 723000,China ;2.School of Electrical Engineering ,Shannxi University of Technology ,Hanzhong 723000,China)Abstract :Object tracking is an important part in computer vision and is widely used in military,medical,security and autonomous driving.Although great progress has been made,it is still a challenging research field due to the factors such as occlusion,rapid speed,motion blur,illumination and deformation.In recent years,the correlation filter tracking method,one of discriminant type,has attracted much attention due to its higher processing speed.We first introduces the basic knowledge of the object tracking and the correlation filter tracking,and the correlation filter tracking methods in simple stage,we also discussed the circular structure and the kernel trick,the combination of multiple feature channels and deep feature,scale research,boundary effect and the use of other information.Finally,the research direction and development trend of the method based on the correlation filter is given.Key words :computer vision ;object tracking ;correlation filter之处和特点在于:(1)分析更多更新的文献,注重分析各文献的特点及渊源;(2)对各文献根据CF跟踪方法的思路进行归类分析,让读者更加清楚各文献的初衷及问题所在。
本文首先给出了目标跟踪和CF的基本知识,之后对CF方法在朴素阶段、循环结构和核技巧、多特征通道、与深度特征的结合、尺度研究、边界效应以及其他信息的利用方面进行了详述,最后对基于CF方法的未来发展方向提出了几点看法。
1目标跟踪及CF跟踪思想目标跟踪可以被定义为:在第一帧中给出一个兴趣目标(常用方框表示)前提下,在后续的每一帧中对该目标定位的任务。
一般地,目标跟踪可以分为生成式方法(Generative Method)、判别式方法(Discriminative Method)。
生成方法的思路是,先提取目标特征学习出代表目标的外观模型,通过它搜索图像区域进行模式匹配,在图像中找到和模型最匹配的区域,即为目标。
判别式跟踪方法将视觉目标跟踪视为一个二分类问题,其基本思路是寻求跟踪目标与背景间的决策边界,这类方法也常被称为基于检测的跟踪方法(Tracking by Detection)。
判别式方法由于同时用到了前景和背景信息,近年显示出非常出色的跟踪性能。
目前所有基于相关滤波器的算法都在判别式跟踪方法的框架下建立的。
本文主要对和相关滤波器有关的文献进行综述,想对视觉跟踪有全面了解的读者可以参考文献[9-12]。
和其他判别式方法类似,CF也需要一组训练样本以学习一个滤波器。
在跟踪中,第一帧中的图像块是唯一可用的样本,跟踪器常从离该图像块较近的区域收集正例,而从离其较远的区域收集负例,计算复杂度会随着训练块数目的增加而快速上升。
而基于CF的跟踪器通过循环移位收集稠密样本,这种移位近似为平移,从而构建了一个具有很好特性的循环矩阵。
CF首先通过最小化岭回归问题,并依据MOSSE滤波原理[6]寻找一个滤波器,然后以此滤波器和下一帧中的各搜索窗进行相关运算,其中输出值最大的搜索窗即为目标最佳位置,最后在下一帧中以线性插值方法对模型参数进行更新,以此循环操作,直至序列最后一帧。
2基于CF跟踪的发展2.1CF方法的开创CF在计算机视觉中最初被用于眼睛跟踪[13]和行人检测[14],由于需要大量训练数据,使得以往的CF在应用于跟踪时因速度太慢而无法使用。
2010年,Bolme[6]等提出一种新型相关滤波器MOSSE(Minimum Output Sum of Squared Error),首次将CF应用于跟踪算法。
该跟踪器框架建立在频域中,利用FFT的快速性使跟踪速度达到了600-700fps,显著超过当时的先进算法(如表1所示),同时算法具有卓越性能,在CV界引起剧烈反响。
MOSSE的思想是,当初始化给定单帧后,其能产生一个稳定的相关滤波器,然后以自适应CF作为目标外观模型,通过卷积来跟踪。
CF通过MOSSE算法显示出巨大潜力,从此CF跟踪算法得到瞩目,大量基于CF的跟踪算法相继出现。
2.2循环结构和核技巧基于检测的跟踪需要大量样本数据进行训练,这导致计算负担加重,和实时需求背道而驰。
但限制样本数量又会牺牲算法性能。
为了加快训练,此前基于CF的算法都采用稀疏采样策略,在每帧中,数个同目标大小一样的样本在目标临域内得到,样本之间很高的重叠率使得数据具有很大冗余,而如果采用下采样方法,会降低背景杂乱序列的跟踪性能。
牛津大学的João F.Henriques 提出样本之间潜在的结构信息并没有被有效利用,他发现[15],当有数千个平移样本时,数据矩阵是环状的,其依据循环矩阵的理论提出一种CSK(Circulant Structure Tracker)跟踪方法。
CSK应用FFT达到非常快的学习和检测功能的Fourier分析思想(不同于迭代思想),以包括高斯和多项式等多个类型的核得到训练和检测的闭环解。
该算法只通过简单几行代码就可以达到数百帧的运行速度,并且性能可媲美先进算法。
之后,João F.Henriques在CSK基础上提出一个新的核化相关滤波器KCF(Kernelized Correlation Filter)[16],同时,应用线性核提出一个快速多通道扩展的线性相关滤波器DCF(Dual Correlation Filter)。
利用KCF的优点执行分类器的训练和候选样本的检测,再利用HOG特征达到精确、鲁棒且快速的跟踪效果。