王 玲 馬勝楠 王 鵬

(長(zhǎng)春理工大學(xué)計(jì)算機(jī)科學(xué)技術(shù)學(xué)院 吉林 長(zhǎng)春 130022)

0 引 言

目標(biāo)跟蹤是計(jì)算機(jī)視覺(jué)中重要的研究領(lǐng)域,在人機(jī)交互[1]、監(jiān)控、增強(qiáng)現(xiàn)實(shí)、無(wú)人駕駛等場(chǎng)景有著廣泛的應(yīng)用。近幾年,深度學(xué)習(xí)與相關(guān)濾波這兩類算法推動(dòng)了目標(biāo)跟蹤領(lǐng)域的發(fā)展。深度學(xué)習(xí)類算法雖然跟蹤精度高但實(shí)時(shí)性較差;相關(guān)濾波類算法跟蹤精度和實(shí)時(shí)性都具有良好的性能,逐漸成為廣大學(xué)者的研究對(duì)象。

Bolme等[2]首次將相關(guān)濾波理論應(yīng)用到目標(biāo)跟蹤算法中,提出最小平方誤差和(Minimum Output Sum of Squared Error filter,MOSSE)算法。Henriques等[3]在MOSSE算法的基礎(chǔ)上引入循環(huán)矩陣和核函數(shù),提出CSK(Circulant Structure of tracking-by-detection with Kernels)算法,之后又在CSK的基礎(chǔ)上擴(kuò)展了多通道HOG(Histogram of Oriented Gradient)特征,提出了核相關(guān)濾波(Kernelized Correlation Filters,KCF)算法[4],有效地提升了跟蹤速度和精度。Danelljan等[5]在MOSSE算法基礎(chǔ)上通過(guò)添加尺度濾波器解決目標(biāo)尺度變化問(wèn)題,提出多尺度空間濾波(Discriminative Scale Space Tracking,DSST)算法,又在CSK算法基礎(chǔ)上通過(guò)增加顏色特征對(duì)目標(biāo)進(jìn)行跟蹤,提出了CN(Color Name)算法[6]。Li等[7]融合HOG和CN特征并引入七尺度的尺度因子解決尺度不變的問(wèn)題,提出SAMF(Scale Adaptive Multiple Feature)算法,但實(shí)時(shí)性較差。Bertinetto等[8]融合HOG和CN特征,添加尺度濾波器,提出Staple——基于互補(bǔ)學(xué)習(xí)的目標(biāo)跟蹤(Complementary Learners for Real-Time Tracking)算法,提高了算法在目標(biāo)形變下的魯棒性,但增加了計(jì)算量實(shí)時(shí)性較差。經(jīng)過(guò)不斷地改進(jìn),目標(biāo)跟蹤算法在速度與精度上已有很大的提升,但由于復(fù)雜的背景環(huán)境、目標(biāo)外觀與尺度的變化等眾多影響因素,使目標(biāo)能夠在復(fù)雜場(chǎng)景中實(shí)現(xiàn)精準(zhǔn)快速地跟蹤依然充滿著巨大挑戰(zhàn)。

本文以KCF算法為基礎(chǔ),首先針對(duì)該算法無(wú)法應(yīng)對(duì)跟蹤目標(biāo)尺度變化的問(wèn)題,提出尺度自適應(yīng)更新策略[9]來(lái)完善KCF算法采用固定尺度窗口進(jìn)行跟蹤的缺陷;然后分別提取FHOG(F Histogram of Oriented Gradient)特征和利用PCA降維[10]后的CN特征進(jìn)行串聯(lián)融合,來(lái)提高算法在復(fù)雜背景下的跟蹤精度;最后利用自適應(yīng)目標(biāo)響應(yīng)策略訓(xùn)練KCF濾波器,并用子網(wǎng)格插值算法[11]代替簡(jiǎn)單線性插值算法,來(lái)提高跟蹤器的整體性能。本文算法能夠以較高的精度與速度完成復(fù)雜場(chǎng)景下的魯棒跟蹤。

1 KCF算法

KCF算法對(duì)樣本循環(huán)采樣,增加樣本容量;利用循環(huán)矩陣對(duì)角化性質(zhì)將矩陣運(yùn)算轉(zhuǎn)化成向量點(diǎn)乘,減少運(yùn)算量;提取HOG特征,提高分類器識(shí)別能力;利用核函數(shù),將特征映射到高維空間使其線性可分。KCF利用最小二乘法訓(xùn)練更新分類器,公式如下:

(1)

式中:X為訓(xùn)練樣本;g為目標(biāo)響應(yīng)峰值;λ為正則化系數(shù)。通過(guò)訓(xùn)練找到一組權(quán)值w,w=(XHX+λI)-1XHg,其中,XH=(X*)T,X*為X的共軛;在傅里葉域中,利用循環(huán)矩陣可對(duì)角化性質(zhì)求解w,公式如下:

(2)

(3)

于是可以得到檢測(cè)樣本的響應(yīng)值,公式如下:

(4)

2 自適應(yīng)多策略融合快速KCF算法

本文算法架構(gòu)圖如圖1所示。首先,對(duì)輸入的視頻幀(除了第一幀以外)使用自適應(yīng)尺度[12]更新策略,判斷是否需要更新跟蹤目標(biāo)的尺度,采用SSIM(Structural Similarity)作為衡量依據(jù),如果SSIM值小于閾值T則進(jìn)行多尺度采樣;然后,從多個(gè)尺度的目標(biāo)樣本中分別提取FHOG特征和利用PCA降維后的CN特征進(jìn)行串聯(lián)融合,計(jì)算多個(gè)尺度圖像塊的特征響應(yīng)圖,其中響應(yīng)值最大的圖像塊即為最佳尺度;否則,認(rèn)為目標(biāo)尺寸沒(méi)有發(fā)生變化,延用上一幀圖像尺寸,不進(jìn)行尺寸更新;最后,利用自適應(yīng)目標(biāo)相應(yīng)策略訓(xùn)練位置濾波器,并用子網(wǎng)格插值算法代替線性插值算法,減少離散傅里葉變換次數(shù),提高核相關(guān)濾波算法速度,更新訓(xùn)練集與濾波模板,在對(duì)下一幀圖像進(jìn)行同樣操作,直到最后一幀為止。

圖1 算法架構(gòu)圖

2.1 自適應(yīng)尺度更新策略

KCF算法采用固定尺寸窗口對(duì)目標(biāo)進(jìn)行跟蹤,跟蹤過(guò)程中,目標(biāo)的尺寸易于發(fā)生變化,KCF算法難以應(yīng)對(duì)此問(wèn)題,因此,本文采用自適應(yīng)尺度更新策略來(lái)解決跟蹤窗口尺寸固定不變的問(wèn)題,自適應(yīng)尺度更新策略如圖2所示。

圖2 自適應(yīng)尺度更新策略

首先預(yù)定義尺度池P={Sp|p=1,2,…,p},Sp為尺度因子,設(shè)第t幀圖像目標(biāo)中心位置為(rt,ct),目標(biāo)尺度為St,當(dāng)輸入第t+1幀圖像時(shí),以(rt,ct)為中心,然后提取尺度大小為St的圖像塊,第t幀與第t+1幀圖像提取到的圖像塊分別為F1與F2,尺度池的引入嚴(yán)重增加算法計(jì)算量,導(dǎo)致算法難以滿足實(shí)時(shí)性的需求,基于此,本文通過(guò)添加SSIM校驗(yàn),來(lái)提高算法運(yùn)行速度。計(jì)算第t幀與第t+1幀目標(biāo)響應(yīng)圖像的SSIM值,公式如下:

(5)

式中:μF1與μF2分別表示圖像塊F1與F2的平均值,σF1F2表示圖像的協(xié)方差,σF12與σF22表示圖像F1與F2的方差,C1=(k1L)2,C2=(k2L)2,C1與C2是使分母不為0,維持穩(wěn)定的常數(shù),L是像素值,k1=0.01,k2=0.03。設(shè)定閾值T(取值范圍0到1)作為判斷圖像相似的標(biāo)準(zhǔn),當(dāng)SSIM的值大于閾值T時(shí),認(rèn)為F1與F2響應(yīng)圖像相似[13],則保持當(dāng)前目標(biāo)的尺寸,不對(duì)目標(biāo)進(jìn)行尺度更新;如果SSIM的值小于閾值T,認(rèn)為F1與F2不相似,即可認(rèn)為目標(biāo)尺寸發(fā)生變化,這時(shí)候在分別提取大小為Sp·St的p個(gè)圖像塊,歸一化圖像塊為Zp,求出所有圖像塊的響應(yīng)值,其中最大值y即為跟蹤目標(biāo)的最佳尺度。y的計(jì)算公式為:

(6)

式中:F-1為傅里葉逆變換。y取最大值時(shí)的Zp對(duì)應(yīng)的Sp即為第t+1幀的最佳尺度St+1。在訓(xùn)練階段更新濾波器系數(shù)和目標(biāo)模板。通過(guò)添加尺度更新機(jī)制來(lái)減少算法計(jì)算量以此提高算法運(yùn)行速度。

2.2 特征融合策略

KCF算法提取單一的HOG特征訓(xùn)練分類器,無(wú)法滿足目標(biāo)特征的多樣性,在背景復(fù)雜的環(huán)境中,由于特征信息量不足,分類器難以有效地區(qū)分出目標(biāo),導(dǎo)致跟蹤精度低、魯棒性差,將HOG特征與CN特征進(jìn)行融合的確是一個(gè)很好的解決辦法,目前一些算法利用這種方式對(duì)其進(jìn)行改進(jìn),效果顯著,但是特征信息量的增加也增大了算法計(jì)算量,導(dǎo)致算法運(yùn)行速度慢,難以滿足實(shí)時(shí)性需求。因此,本文提出采用FHOG特征與利用PCA降維后的CN特征進(jìn)行融合,在不過(guò)多損失特征信息量與增加算法計(jì)算量的雙重情況下,為分類器提供更充分的特征信息,提高復(fù)雜背景下,分類器的辨別能力。

FHOG特征具有31個(gè)維度,是在36維HOG特征的基礎(chǔ)上降維得到的,包含了HOG特征的所有信息,在對(duì)目標(biāo)的特征提取中具有同樣的效果,提取FHOG特征前后的圖像如圖3所示。

(a) 原圖

(b) FHOG圖圖3 提取FHOG特征圖

PCA首先將11維度的CN特征通過(guò)線性變換表示成線性無(wú)關(guān)的向量,利用協(xié)方差矩陣計(jì)算向量的分散程度,取方差最大的方向做投影,使降維后的數(shù)據(jù)最大限度地包含全部信息。設(shè)特征向量為X={x(1),x(2),…,x(m)},x(i)∈Rn,m=11,協(xié)方差矩陣為:

(7)

由特征值λ與特征向量u變換后得到:

WT=(u1,u2,…,um)m

(8)

式中:(u1,u2,…,um)是按特征值λ1,λ2,…,λn由大到小序列對(duì)應(yīng)排放組成的矩陣,通過(guò)Y=WTX計(jì)算降維后的CN特征為:

(9)

式中:WCN是由協(xié)方差矩陣的前2個(gè)最大特征值向量組成。本文通過(guò)PCA對(duì)CN顏色特征自適應(yīng)[14]降維至2維,實(shí)時(shí)地選擇2維比較顯著的顏色特征與31維FHOG特征再加1維灰度特征進(jìn)行串聯(lián)融合,最終的特征信息量為34維向量,避免損失過(guò)多特征信息量的同時(shí)最大限度地提高算法的速度。

2.3 自適應(yīng)目標(biāo)響應(yīng)策略

KCF跟蹤算法在第一幀圖像初始化目標(biāo)位置,然后提取目標(biāo)特征訓(xùn)練分類器,在下一幀圖像中找到響應(yīng)最大的位置,更新分類器。因此在跟蹤過(guò)程中,目標(biāo)的外觀會(huì)隨著的時(shí)間的推移發(fā)生變化,在檢測(cè)[15]步驟容易出現(xiàn)錯(cuò)誤,對(duì)于每一幀模板都進(jìn)行更新,這樣可能會(huì)導(dǎo)致錯(cuò)誤累積,最終模板不完全適合目標(biāo),發(fā)生偏移甚至完全跟丟目標(biāo),同時(shí),KCF跟蹤器應(yīng)用一個(gè)簡(jiǎn)單的線性插值(α)t=(1-η)(α)t-1+η(α)t與一個(gè)固定的學(xué)習(xí)率η來(lái)更新模板,這樣會(huì)導(dǎo)致算法運(yùn)算效率低,模板不能很好地適應(yīng)目標(biāo)外觀的變化。因此,本文提出了自適應(yīng)目標(biāo)響應(yīng)策略使濾波模板的更新更貼合目標(biāo)形變,其中g(shù)作為每一幀圖像的響應(yīng),第一幀的目標(biāo)響應(yīng)為g0。測(cè)量響應(yīng)最大值的相關(guān)性與目標(biāo)運(yùn)動(dòng)特性和目標(biāo)外觀特性相結(jié)合,所以對(duì)式(1)的優(yōu)化如下:

(10)

設(shè)圖像響應(yīng)g與g0的關(guān)系為g=g0+ε,并且g∈N(g0,diag-1(1/2ξ))。模型訓(xùn)練時(shí),需要對(duì)樣本進(jìn)行移位,響應(yīng)最大值為目標(biāo)估計(jì)位置。接下來(lái)我們要計(jì)算這些移位的相關(guān)的分?jǐn)?shù)作為模板的更新參數(shù),使用高斯插值來(lái)填充其余分?jǐn)?shù)。模板w用下式表示:

(11)

利用KCF算法巧妙地使用內(nèi)核技巧,將輸入向量通過(guò)高斯核函數(shù)映射到高維空間做運(yùn)算,以此得到對(duì)偶域的閉型解,公式如下:

(12)

與此同時(shí),由于子網(wǎng)格插值算法可以使用更粗的特征網(wǎng)格來(lái)訓(xùn)練和檢測(cè)樣本,因此利用三角多項(xiàng)式插值方法代替簡(jiǎn)單線性插值方法,通過(guò)對(duì)高頻零填充來(lái)獲得(α)t的大小,使其大小等于插值網(wǎng)格的大小,然后獲得差值分?jǐn)?shù),減少目標(biāo)樣本與模板相關(guān)響應(yīng)時(shí)的離散傅里葉變換次數(shù),降低計(jì)算量,從而提高分類器的運(yùn)行速度。

3 實(shí) 驗(yàn)

3.1 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)數(shù)據(jù)環(huán)境為OTB2015數(shù)據(jù)集[16]中的51組視頻序列,涵蓋了11種復(fù)雜場(chǎng)景屬性。實(shí)驗(yàn)運(yùn)行環(huán)境為Windows 10 64 bit操作系統(tǒng)、處理器Intel @R Xeon @R SILVER4110C @2.10 GHz 16 GB的計(jì)算機(jī),程序代碼的編譯環(huán)境為MATLAB軟件R2016b版本。實(shí)驗(yàn)參數(shù)環(huán)境設(shè)置與KCF算法基本一致,尺度因子P設(shè)置為5,具體為{0.96,0.98,1,1.02,1.04},SSIM閾值T為0.9。本文采用以上實(shí)驗(yàn)環(huán)境進(jìn)行跟蹤實(shí)驗(yàn)。

3.2 評(píng)價(jià)標(biāo)準(zhǔn)

本文采用跟蹤精度、跟蹤成功率和跟蹤速度來(lái)評(píng)估算法性能。

設(shè)視頻總幀數(shù)為N,跟蹤精度P是指中心位置誤差D在閾值T1范圍內(nèi)的幀數(shù)與N的比值,計(jì)算公式如下:

(13)

式中:精度閾值T1的范圍為0到50,P取值為閾值T1等于20像素時(shí)所對(duì)應(yīng)的結(jié)果。中心位置誤差D的計(jì)算公式如下:

(14)

式中:x1、y1表示目標(biāo)真實(shí)位置;x2、y2表示目標(biāo)預(yù)測(cè)位置。

跟蹤成功率S是指計(jì)算跟蹤目標(biāo)預(yù)測(cè)位置和真實(shí)位置的重疊率O在給定閾值T2范圍內(nèi)的幀數(shù)和N的比值。計(jì)算公式如下:

(15)

式中:閾值T2的取值范圍為0到1,S取值為取閾值T2等于0.5時(shí)所對(duì)應(yīng)結(jié)果。重疊率O的計(jì)算公式如下:

O=area(RZ∩RY)/area(RZ∪RY)

(16)

式中:RZ為目標(biāo)真實(shí)區(qū)域;RY為目標(biāo)預(yù)測(cè)區(qū)域。

FPS代表算法跟蹤速度,是N與算法處理整個(gè)視頻序列所耗費(fèi)的時(shí)間Ttoc的比值。計(jì)算公式如下:

(17)

FPS的值越大,代表跟蹤算法的速度越快。

3.3 跟蹤性能測(cè)評(píng)

3.3.1消融實(shí)驗(yàn)分析

為了驗(yàn)證本文算法的有效性,首先在OTB 2015數(shù)據(jù)集上進(jìn)行了消融實(shí)驗(yàn),對(duì)比算法及實(shí)驗(yàn)結(jié)果如表1所示。實(shí)驗(yàn)結(jié)果表明,在KCF算法基礎(chǔ)上逐個(gè)添加改進(jìn)策略,算法的跟蹤精度與成功率在逐步提高,驗(yàn)證了本文算法的有效性。

表1 消融實(shí)驗(yàn)

3.3.2定量分析

本文選取5種具有代表性的跟蹤算法與4種近年較優(yōu)秀的跟蹤算法進(jìn)行對(duì)比實(shí)驗(yàn),這些算法包括KCF算法、CN算法、DSST算法、KCFHS算法[17]、SAMF算法、FDSST算法[18]、CFNet算法[19]、LMCF算法[20],以及ECO-CH[21]算法,在OPE測(cè)試方法下,評(píng)測(cè)這些算法的跟蹤精度和跟蹤成功率,實(shí)驗(yàn)結(jié)果如圖4-圖5所示。

圖4 跟蹤精度

圖5 跟蹤成功率

實(shí)驗(yàn)結(jié)果表明本文算法在跟蹤精度與成功率上優(yōu)于近幾年較優(yōu)秀的相關(guān)濾波類跟蹤算法LMCF、FDSST和融合了淺層深度特征的CFNet、ECO-HC算法,同時(shí)大幅度提升了基礎(chǔ)算法KCF的跟蹤性能,驗(yàn)證了本文算法的有效性。

另外,本文算法在11種復(fù)雜場(chǎng)景中均表現(xiàn)良好,特別在目標(biāo)形變、尺度變化、平面內(nèi)旋轉(zhuǎn)、背景復(fù)雜這4種屬性下,本文算法展現(xiàn)了較為優(yōu)異的跟蹤精度,實(shí)驗(yàn)結(jié)果如圖6-圖9所示。自適應(yīng)尺度更新策略避免算法每一幀都進(jìn)行多個(gè)尺度循環(huán)檢測(cè)運(yùn)算,減少了大量計(jì)算量的同時(shí)解決了KCF算法無(wú)法處理目標(biāo)尺度變化的問(wèn)題,使算法實(shí)現(xiàn)自適應(yīng)調(diào)節(jié)跟蹤框的大小;多特征融合策略利用PCA對(duì)特征降維后再融合,避免增加過(guò)多計(jì)算量的同時(shí)提取更加豐富的特征信息,提高濾波器的分辨能力,使算法以更加魯棒的性能應(yīng)對(duì)目標(biāo)形變、背景復(fù)雜等跟蹤場(chǎng)景;自適應(yīng)目標(biāo)響應(yīng)策略通過(guò)結(jié)合第一幀的目標(biāo)響應(yīng)值獲取目標(biāo)外觀信息并結(jié)合目標(biāo)運(yùn)動(dòng)信息調(diào)節(jié)每一幀目標(biāo)的響應(yīng)值,使目標(biāo)響應(yīng)的最大值更接近目標(biāo)真實(shí)位置,提高了跟蹤算法在目標(biāo)形變與平面旋轉(zhuǎn)等復(fù)雜場(chǎng)景下的跟蹤精度。

圖6 形變跟蹤精度

圖7 尺度變化跟蹤精度

圖8 平面內(nèi)旋轉(zhuǎn)跟蹤精度

圖9 背景復(fù)雜跟蹤精度

3.3.3定性分析

本文選取濾波類跟蹤算法KCF、SAMF、FDSST和融合淺層深度特征算法ECO-HC在4種具有代表性的視頻序列上進(jìn)行定性分析,每個(gè)視頻序列具有的屬性如表2所示,可視化結(jié)果如圖10所示。

表2 視頻序列屬性

(a) Shaking

(b) Soccer

(c) Football

(d) CarScale

圖10 部分視頻序列可視化結(jié)果

(1) Shaking序列。第23幀,跟蹤目標(biāo)的形狀與尺度略微變化,KCF算法與SAMF算法嚴(yán)重漂移;第147幀,被跟蹤目標(biāo)發(fā)生了劇烈形變且伴有平面外旋轉(zhuǎn)、光照變化等干擾因素,本文算法對(duì)目標(biāo)定位的最好;第242幀,跟蹤目標(biāo)產(chǎn)生尺度變化與形狀變化,此時(shí)本文算法對(duì)目標(biāo)尺度控制得最好。

(2) Soccer序列。第59幀,跟蹤目標(biāo)發(fā)生快速移動(dòng)且伴有嚴(yán)重模糊,ECO-HC算法與SMAF算法開始產(chǎn)生漂移;第179幀,ECO-HC算法與SMAF算法由于提取到過(guò)多背景信息而完全丟失目標(biāo),KCF與FDSST算法輕微漂移;第252幀,跟蹤目標(biāo)的尺度發(fā)生變化且伴有背景復(fù)雜、光照變化等影響因素,此時(shí)本文算法依然可以準(zhǔn)確地跟蹤到目標(biāo)的位置,對(duì)尺度的控制優(yōu)于FDSST算法。

(3) Football序列。第286幀,目標(biāo)發(fā)生快速移動(dòng)且被相似障礙物嚴(yán)重遮擋,此時(shí)本文算法與FDSST算法可以準(zhǔn)確捕獲目標(biāo)的位置,SAMF、KCF與ECO-HC算法發(fā)生略微漂移,被相似障礙物牽引;第298幀,跟蹤目標(biāo)輕微形變且伴有平面內(nèi)旋轉(zhuǎn)等干擾因素,此時(shí)SAMF算法與KCF算法已經(jīng)完全漂移,其他算法還可以勉強(qiáng)跟蹤到目標(biāo);第319幀,跟蹤目標(biāo)快速移動(dòng)且伴有平面外旋轉(zhuǎn),此時(shí)本文算法對(duì)目標(biāo)的定位最好。

(4) Carscale序列。第188幀到220幀再到最后240幀,跟蹤目標(biāo)尺度由小到大逐漸變化著,且伴有平面內(nèi)外旋轉(zhuǎn)、快速移動(dòng)等干擾因素,這些算法都能順利完成跟蹤任務(wù),由于本文算法與SAMF算法采用尺度因子對(duì)目標(biāo)尺度變化有一定的局限性,超過(guò)最大限度,本文算法也失去了對(duì)尺度的控制能力,此時(shí)基于尺度濾波器的FDSST算法與采用淺層深度特征的ECO-HC算法對(duì)目標(biāo)的尺度定位的最好,本文算法雖沒(méi)有FDSST與ECO-HC算法對(duì)目標(biāo)尺度產(chǎn)生大幅度變化時(shí)定位得好,但是當(dāng)目標(biāo)的尺度在一定范圍內(nèi)變化時(shí),本文算法對(duì)尺度的控制較優(yōu)于其他算法。

3.3.4實(shí)時(shí)性分析

復(fù)雜的背景下,跟蹤速度也是衡量一個(gè)跟蹤算法的重要指標(biāo)。表3是本文實(shí)驗(yàn)比較的10種跟蹤算法的FPS值,本文算法的FPS較KCF算法雖然有所降低,但是權(quán)衡算法的跟蹤精度和成功率的提高,損失的速度也是值得的,并且相比于其他跟蹤算法,本文算法仍然占據(jù)一定的優(yōu)勢(shì)。SSIM檢測(cè)標(biāo)準(zhǔn)對(duì)多尺度更新的效驗(yàn)、利用PCA對(duì)CN顏色特征的降維、將子網(wǎng)格插值算法代替線性插值均在保證算法跟蹤精度的同時(shí)大幅度降低算法的計(jì)算量,提高計(jì)算效率,使算法快速運(yùn)算滿足實(shí)時(shí)性需求。

表3 跟蹤速度

4 結(jié) 語(yǔ)

針對(duì)KCF算法存在的缺陷以及提高算法在復(fù)雜跟蹤場(chǎng)景下的綜合性能,提出了一種自適應(yīng)多策略融合快速KCF跟蹤算法。在Benchmark評(píng)測(cè)集OTB2015上進(jìn)行了大量實(shí)驗(yàn),對(duì)比了9種優(yōu)秀的相關(guān)濾波類跟蹤算法,充分驗(yàn)證本文對(duì)算法所做的改進(jìn)具有實(shí)際效果,能夠在目標(biāo)形變、平面外旋轉(zhuǎn)、背景復(fù)雜、尺度變化多種復(fù)雜場(chǎng)景挑戰(zhàn)下,準(zhǔn)確、魯棒、快速地跟蹤目標(biāo),滿足實(shí)時(shí)性需求。但改進(jìn)后的算法缺乏對(duì)跟蹤目標(biāo)重檢測(cè)機(jī)制,一旦目標(biāo)被遮擋或者經(jīng)歷嚴(yán)重外觀形變,分類器難以適應(yīng)目標(biāo)瞬時(shí)的變化,導(dǎo)致跟蹤失敗,將再也不會(huì)檢測(cè)到跟蹤目標(biāo),進(jìn)行后續(xù)的跟蹤,完善此缺陷將是接下來(lái)的研究重點(diǎn)。