为解决视觉车辆跟踪过程中尺度变化导致的模型漂移问题,在核相关滤波算法的基础上,提出一种车辆目标的尺度搜索算法。通过比较目标区域上三个特定尺度相关滤波响应的平均峰值相关能量,推断出目标尺度的变化方向,进而在变化方向上迭代搜索当前目标的最佳尺度。此外,为确保相关滤波模板能够适应运动过程中的车辆外观变化,在最佳尺度估计的情形下,对模板进行自适应加权更新,进一步提高模板准确性。大量的实验表明,本文算法可以有效解决车辆跟踪过程中尺度变化导致的模型漂移问题,且相比于其他相关滤波类算法具有更加优秀的跟踪性能。

针对核相关滤波器在跟踪中因目标快速运动导致的目标易丢失和部分遮挡问题, 本文在多特征尺度自适应核相关滤波器(Scale Adaptive with Multiple Features tracker, SAMF)基础上, 提出一种融合自适应模板更新和预测目标位置重定位的核相关跟踪算法。采用联合目标移动速度和特征变化的模板更新机制增大对目标快速运动适应性, 根据长时滤波器和短时滤波器协作跟踪提出目标位置修正和重定位模型提升跟踪器应对目标部分遮挡的能力。在OTB-2015视频序列集100组序列中与序列集提供的算法进行对比, 本算法跟踪精度相比SAMF提升2%。在目标发生快速移动时本文算法具有更好的追踪目标能力, 目标重定位也很好地解决了目标部分遮挡问题。

在目标相关跟踪过程中,由于目标的姿态、大小发生变化,所以合理地更新模板极为重要。而已有的模板更新方法都不能适应目标的姿态和大小变化。提出了一种模板更新的新方法,该方法以颜色直方图的Bhattacharyya系数为基础,来进行模板更新时机的判断。并利用主动轮廓模型算法得到目标的边缘,自适应调整模板的大小和内容,从而实现对目标在发生姿态和大小等变化下的可靠跟踪。

为了提高复杂背景下目标跟踪的稳定性,在模板匹配失败时引入目标分割过程,根据新目标区域与模板的相似度分析得出导致匹配失败的具体原因,提出了一种新的自适应模板更新算法。根据模板图像各像素到模板中心的距离构造加权函数,对传统归一化相关算法进行改进,使新算法具有一定的抗遮挡能力。实验结果表明,该算法与固定模板跟踪算法和逐帧模板更新算法相比,在目标尺寸变化和被物体局部遮挡时,跟踪的连续性和稳定性更好。

研究了基于奇异值分解的图像匹配和目标跟踪问题.由于图像的奇异值特征具有良好的稳定性,可以将奇异值当作一种有效的代数特征来描述并表征图像.根据所定义的奇异值缩放不变量提出了一种基于奇异值分解的模板更新算法.在算法中,根据奇异值向量的缩放不变特征来度量当前模板内的目标信息,然后根据所定义的置信度自动计算更新后所需的模板大小,从而使更新后的模板更有效地包含目标.试验表明:提出的模板更新算法在序列图像的目标跟踪中具有较好的实用性.