针对传统相关滤波目标跟踪算法在目标快速运动、遮挡、复杂背景等情况下跟踪精度低的问题, 提出了一种自适应上下文感知的相关滤波目标跟踪算法。在相关滤波算法框架的基础上, 重点针对循环移位带来的边界效应与固定学习率进行改进: 首先,在分类器训练阶段提出一种基于响应图极值的自适应采样策略加入上下文信息;然后, 采用了一种分段学习率调整策略使算法更好地适应目标变化;最后,在标准数据集上验证了算法的性能。实验结果表明,提出的算法提高了DCF与SAMF算法的跟踪精度, 不仅在目标快速运动、遮挡、复杂背景等情况下鲁棒性较好, 而且还能作为一种框架集成到大部分相关滤波类算法中。
目标跟踪 相关滤波 上下文感知 分段学习率 自适应 循环移位 target tracking correlation filter context sensing segmented learning rate self-adaption cyclic shift