针对相关滤波器对平面内旋转和尺度变化等跟踪效果不佳的问题,在ECO_HC (efficient convolution operators handcraft)的基础上提出了一种具有旋转特性的尺度自适应相关滤波目标跟踪算法。训练一个旋转和尺度滤波器,采用相位相关算法求得尺度因子和旋转角度;在进行旋转和尺度模型更新时,采取动态自适应更新策略;在位置模型更新阶段,通过融合前序帧的背景信息提高模型的稳定性。实验数据表明,所提方法不仅对平面内旋转和尺度变化有较强的鲁棒性,而且能够达到实时要求。

核相关滤波算法的出现将传统目标跟踪算法推向了一个新的高度,以其高速度、高精度、高鲁棒性的特点迅速获得了广泛认可与关注。针对核相关滤波算法在尺度变化和快速移动方面的不足,基于目标在发生尺度变化时其主要特征的相对位置可以反映其尺度的大小,本文采用分块检测的方式来进行目标的尺度计算;在特征模板更新方面,针对核相关滤波算法处理高速变化目标容易丢失的问题,采用卡尔曼滤波预测的方式提前更新目标模板,以解决模板更新滞后的问题。实验数据表明,本文算法能够稳定地提高跟踪精度。

相关滤波算法是通过模板与检测目标的相似性来确定目标位置, 自从将相关滤波概念用于目标跟踪起便一直受到广泛的关注, 而核相关滤波算法的提出更是将这一理念推到了一个新的高度。核相关滤波算法以其高速度、高精度以及高鲁棒性的特点迅速成为研究热点, 但核相关滤波算法在抗遮挡性能上有着严重的缺陷。本文针对核相关滤波在抗遮挡性能上的缺陷对此算法进行改进, 提出了一种融合 Sobel边缘二元模式算法的改进 KCF算法, 通过 Sobel边缘二元模式算法加权融合目标特征, 然后计算目标的峰值响应强度旁瓣值比检测目标是否丢失, 最后将 Kalman算法作为目标遮挡后搜索目标的策略。结果显示, 本文方法不仅对抗遮挡有较好的鲁棒性, 而且能够满足实时要求, 准确地对目标进行再跟踪。

相关滤波目标跟踪算法是基于目标模板与待测图像之间的相关性大小来实现目标的定位与跟踪,核相关滤波器(KCF)的提出更将其推向了新的高度。然而,通过对KCF算法的深入研究发现,相关滤波器在抗遮挡性能方面有着严重的不足,尤其是在目标短暂消失的情况下十分容易出现跟踪丢失的情况。为了解决这个问题,提出了一种将KCF与前后向误差检测算法相结合的方法,通过前后向误差算法检测遮挡现象,并在遮挡发生后及时保留原目标模板,最后进行小范围的预测并结合原模板重新定位目标位置。实验表明,此方法能有效解决目标短暂完全消失的遮挡状况,并在目标重新出现后进行有效的追踪。