针对在复杂环境中目标尺度变化、形状变化以及场景光照变化、背景干扰等因素导致的目标跟踪稳定性下降问题,提出一种基于自适应多层卷积特征决策融合的目标跟踪算法。首先,通过卷积神经网络VGG-Net-19提取目标候选区域的多层卷积特征;其次,在相关滤波模型框架下,利用这些卷积特征构建多个弱跟踪器;接着,根据每个弱跟踪器的决策损失变化自适应地调节它们的决策权重,完成基于多层卷积特征的目标位置估计;然后,根据尺度相关滤波模型在目标中心区域进行多尺度采样,并利用相邻帧的尺度变化先验分布完成对目标尺度的预测。选取51组具有多种挑战因素的视频序列对所提算法的跟踪性能进行测试。实验结果表明,与当前主流的目标跟踪算法相比,所提算法取得了更高的跟踪精度和成功率,同时可以较好地适应目标的尺度变化,并且在目标发生形变、场景出现光照变化及背景干扰等复杂条件下仍具有较好的跟踪鲁棒性。

针对复杂场景下单一颜色特征稳健性差、存在类目标干扰及目标尺度变化的问题, 提出了一种基于特征融合和尺度自适应的干扰感知目标跟踪方法。首先, 综合目标、邻域背景、类似干扰区域的三原色(RGB)特征和改进的方向梯度直方图(HOG)特征计算得到干扰感知目标模型; 在搜索区域内逐像素点计算目标概率图, 然后进行密集采样得到候选目标, 利用目标概率图的概率值与距离值进行加权, 同时定位目标和类似干扰, 并更新目标模型; 采用RGB直方图建立尺度模型, 从当前帧图像上截取不同尺度的图像块并计算其RGB直方图, 通过与尺度模型比较, 获得最优尺度估计并更新尺度模型。实验结果表明, 提出的方法对复杂场景下的类目标干扰、局部遮挡、尺度变化等均具有很好的适应性, 同时距离精度、重叠精度等指标优于对比算法。