基于相关滤波的目标跟踪的研究
电子设计工程
Electronic Design Engineering
第26卷Vol.26第20期No.202018年10月Oct.2018
收稿日期：2018-01-11
稿件编号：201801066
作者简介：董艳兵（1991—），男，河南灵宝人，硕士。研究方向：计算机视觉和深度学习。
目标跟踪是计算机视觉中非常有挑战性的任务之一，它的目的是估计一个目标在图像序列里的位置。它在很多应用中有扮演了很重要的角色，比如人机交互，监控和机器人[1-2]。有一些因素，比如光照变化，遮挡，背景杂乱和变形使这个任务变得复杂。近些年来，相关滤波[3]已经被证明比那些非常复杂的方法更有竞争力，因为使用非常少的计算资源就可以达到很高的帧率和性能。这主要是利用了两个图像块的卷积等价于在频域逐元素进行相乘。因此通过在频域对问题进行建模，对于图像的多次平移，可以通过一次计算得到理想的线性分类器的输出。从而使得相关滤波在目标跟踪中得到非常广泛的使用。
1目标跟踪
1.1
目标跟踪的定义
目标跟踪是跟踪一个目标在图像序列中的轨迹，要求跟踪算法是无模型，短期以及因果性，具体含义是:
1）无模型（model-free ）:唯一的训练样本就是第一帧中目标的位置，用矩形框表示。2）短期（short-term ）:当跟踪器没有跟踪到物体
时，不进行重新检测操作。
3）因果性（causality ）:跟踪器不使用任何将来的
基于相关滤波的目标跟踪的研究
董艳兵1，
2，3
（1.中国科学院上海微系统与信息技术研究所，上海200050；2.上海科技大学信息科学与技术学院，
上海201210；3.中国科学院大学北京101407）
摘要：大多数现代的跟踪器的核心元素是一个判别式的分类器，这个分类器的任务是去区分目标区域和周围的环境。本文基于基础的相关滤波的方法，并对其进行改进的目的，通过在相关滤波的计算中引入不同的尺度信息，较好的手动设计的特征和更具表示性的深度特征，然后在OTB2013数据库上对这些不同的方法进行实验，得到基于深度特征和多尺度信息的方法比基础的相关滤波的方法的重叠精度（Overlap Precision ，OP ）提高了16.68%（从62.77%到79.45%），从而验证了这些额外信息的引入可以很大地提升跟踪性能。
关键词：目标跟踪；相关滤波；判别式分类器；多尺度；深度特征中图分类号：TN919
文献标识码：A
文章编号：1674-6236（2018）20-0006-04
The research of correlation filter based on object tracking
DONG Yan?bing 1，
2，3
（1.Shanghai Institute of Microsystem and Information Technology ，Chinese Academy of Sciences ，Shanghai 200050，China ；2.School of Information Science&Technoloy ShanghaiTech University ，Shanghai 201210，China ；3.University of Chinese Academy of Sciences ，Beijing 101407，China ）Abstract:The core component of most modern trackers is a discriminative classifier ，tasked with distinguishing between the target and the surrounding environment.In this paper ，we aim to improve the object tracking performance based on the basic correlation filter method.By introducing multi-scale information ，better hand-crafted feature ，representative deep feature and experimenting on OTB2013
benchmark ，the method using multi-scale and deep feature gets 16.68%absolute performance improvement from 62.77%to 79.45%compared to the basic method.The experiment result verifies that object tracking performance can improve greatly by introducing extra information.
Key words:object tracking ；correlation filter ；discriminative classifier ；multi-scale ；deep feature -
-6万方数据