基于相关滤波的目标快速跟踪算法研究

2018-03-21张家叶子

数字通信世界 2018年11期

张家叶子

（92941部队，葫芦岛 125000）

1 目标跟踪及CF跟踪思想

从概念上来看，可将目标跟踪定义如下：在第一帧中，以方框表示出一个目标，然后，在后面的各帧中均定位此目标。通常来说，目标跟踪主要有两种，即生成式、判别式。前者是先对目标特征进行提取，再建立目标外观模型，然后，利用其对图像区域进行搜索，以实现模式匹配，如果在图像中找到的区域与模型最匹配，这就是目标；后者也叫基于检测的跟踪方法，其是将视觉目标跟踪定义成二分类问题，然后，对背景与跟踪目标间的决策边界进行探寻。

2 基于CF跟踪的发展研究

2.1 CF方法的创建

在计算机视觉中，CF最早是应用于眼睛跟踪及检测行人，但因为这种方法需要基于大量训练数据才能实现，跟踪速度太慢，不能更好地适应当前实际所需。Bolme等在2010年提出了新型相关滤波器MOSSE，于是CF字词开始被应用于跟踪算法。此种跟踪器是在频域中建立框架，借助FFT的快速性来进行跟踪，极大地提高了跟踪速度，使之可达600-700 fps。这以结果大大超过了当时的最为先进的算法，而且，其性能也非常卓越，一度在CV界激起强烈反响，并引起了重点关注。

2.2 循环结构和核技巧

实践结果显示，由于基于检测的跟踪必须要以大量样本数据为基础来进行训练，由此就会增加计算负担，这背离了实时跟踪的需求。不过，如果样对样本数量进行限制，则又会导致牺牲算法性能受到影响。出于加快训练的目的，之前以CF算法为基础的跟踪，均选择稀疏采样的策略，这样在每一帧中，都能在目标临域内得到数个与目标相同大小的样本。同时，样本如果重叠率很高，将会导致数据冗余很大，但若采用下采样的方法，就能将背景杂乱序列的跟踪性能显著降低。牛津大学Joao F.Henriques通过研究发现，如果平移样本达到数千个时，数据矩阵就会呈现出环状的特征，在这种情况下，样本间潜在的结构信息就得不到有效的利用。

后来，随着研究的进一步深入，在CSK基础上，Joao F.Henriques继续提出了核化相关滤波器KCF，KCF是一种新型的、优化后的核化相关滤波器。同时，他还应用线性核提出了DCF，其是由快速多通道扩展而来的线性相关滤波器。KCF优势显著，借助其优点可以执行执行分类器训练，并检测候选样本，如果结合HOG特点，就能快捷地实现非常理想的跟踪效果，而且很是精确、鲁棒且快速。从精度和速度来看，其均远远领先于当时OTB50上最具代表性的Struck算法。

2.3 尺度估计研究

在CF方法具体应用中，因为应用了FFT，这将极大地提高了跟踪算法的速度，美中不足的是，CF本身的尺度估计能力是不具备的。从文献资料来看，有研究者提出了DSST，这是一种新的鲁棒尺度估计方法。DSST使用HOG特征，同时，其基础上学习判别CF是在尺度金字塔表示的。尺度的估计是应用一维滤波器，平移的判断是应用二维滤波器，定位目标应用的是三维滤波器并通过穷举尺度空间来实现。该算法的通用性比较强，能与所有不具备尺度估计的跟踪方法实现有效合作。

比较DSST和SAMF两种方法可以发现，DSST是将跟踪分为两个问题进行研究，因而其方法与特征比较灵活，不足之处是需要另外训练一个滤波器，采样33个图像块才能满足每帧尺度检测所需；SAMF与其相反，只要一个滤波器就可以，每个尺度只要检测一次，就能提取特征和FFT，不过，如果图像块比较大，其需要比DSST高很多的计算量。一般来说，金字塔尺度估计方法需要包含几十层塔，尺度估计要在跟踪前进行。有研究者提出一种新的尺度估计方法，其以快速特征金字塔为基础，第一次实现了利用真正的最小数量层特征金字塔，同时，还较好地解决了在搜索合适尺度前构建金字塔的不足。实证研究结果显示，这种尺度估计的通用性也非常佳，不含尺度估计的跟踪器都可以应用。

为解决，还有研究者提出RAJSSC跟踪器算法，这种算法以JSSC滤波器为基础来进行尺度估计，同时，旋转估计时，需要将笛卡尔坐标转变为对数极坐标。这种算法较好地解决了旋转运动跟踪问题。sKCF是一种快速可伸缩核相关滤波器，其以KCF框架为基础，具有独立性，能集成到任何多项式及线性CF中。