判别相关滤波融合深度信息的目标跟踪算法

基于相关滤波的目标跟踪算法已经取得了较好的性能并引起关注.在RGB图像序列的跟踪中,遮挡、背景与前景相似纹理的情况下会出现跟踪失败.本文提出了一种在判别相关滤波框架中融合深度信息的跟踪算法.由深度图分割获得空间可靠性图,根据可靠性图计算约束滤波器,避免传统判别相关滤波的边界效应.在跟踪阶段,通过对通道响应进行可靠性加权求和获得目标位置.通过目标的深度信息估计尺度,根据目标区域的深度分布和相关滤波器的响应来检测遮挡.在遮挡期间不更新模型,减少漂移问题.最后,在Princeton RGBD跟踪数据集中进行实验,结果表明,加入深度图分割与基准算法相比效果有提升.文中方法在遮挡以及尺度变化情况下能够有效地跟踪目标.

结合卷积神经网络多特征融合的相关滤波跟踪

针对相关滤波跟踪中的多特征融合问题,本文提出了基于多通道相关滤波框架结合卷积神经网络(CNN)多特征融合的跟踪算法。首先引入梯度直方图和颜色名特征,利用传统的特征提取方法将提取的特征进行简单的矢量相加。然后采用在ImageNet上训练的卷积神经网络进行特征提取,使用conv5-4卷积层的输出作为特征,再分别训练各自的相关滤波器,对特征响应进行可靠性加权求和获得目标位置。最后,通过最大响应值和平均峰值相关能量的变化来判断是否更新模型。在标准测试集(OTB-100)上进行实验测试,与5种基于相关滤波的主流算法进行性能对比。实验结果表明,本文算法在光照变化、尺度变化及遮挡等复杂情况下的鲁棒性和跟踪精度都优于其他算法。