针对目标发生形变、遮挡以及尺度变化导致跟踪失败的情况, 本文提出了一种改进的多特征融合的目标跟踪算法。首先, 通过计算方向梯度直方图(Histogram of Oriented Gridients, HOG)和颜色命名(Color Names, CN)特征响应相邻两帧峰值旁瓣比(Peak-to-Sidelobe Ratio, PSR)的差值得到这两种特征的融合权重, 用得到的权重对HOG和CN特征响应进行自适应融合, 将第一次融合后的响应与颜色直方图特征获得的响应以固定权重进行二次融合,并根据融合结果确定目标中心位置。其次, 结合最终目标响应值的PSR与其均值的差值变化, 对位置相关滤波器和尺度相关滤波器的学习速率进行动态调整。最后, 在OTB50标准数据集上进行实验验证, 并和其他跟踪算法进行对比。实验结果表明: 本文算法在多项性能指标上均优于其他算法, 其中精度为81.9%, 成功率为61.1%, 能有效适应形变、遮挡以及尺度变化场景下的目标跟踪。

为了解决尺度变化对目标跟踪的影响, 本文在颜色特征跟踪算法的基础下提出了一种多尺度目标跟踪算法。该算法通过训练位置和尺度两个相关滤波器以实现自适应尺度跟踪。首先通过最小二乘分类器学习获得位置相关滤波器, 采用主成分分析法对颜色特征进行降维, 计算响应的最大值作为下一帧目标中心位置; 接着根据设定的尺度因子在中心位置周围形成多个大小不一的矩形区域, 并计算每个区域的颜色特征; 学习每个区域的颜色特征, 获得尺度相关滤波器, 并采用正交三角分解对尺度相关滤波器进行降维; 然后根据响应的最大值确定跟踪目标的尺寸; 最后对目标的位置和尺寸进行更新。通过对13组挑战性的视频序列进行测试, 结果表明, 本算法不仅对目标尺度变化具有一定的适应性, 而且对光照变化、快速运动、运动模糊等复杂情况下, 均具有鲁棒性, 多项性能指标均优于目前跟踪性能先进的算法。