融合光流特征和显著性检测的目标跟踪算法

传统的核相关滤波(Kernel Correlation Filter,KCF)算法使用HOG特征来获取目标信息,对非刚体目标不鲁棒,容易出现目标跟踪漂移现象。提出一种融合光流特征和显著性检测的目标跟踪算法抑制跟踪的漂移。算法通过在多通道特征表达时融入光流特征,增加运动目标的位置、姿态的变化信息。同时,通过显著性检测位置对漂移目标进行重检测调节,抑制跟踪漂移,提高跟踪的准确性。实验结果表明,该算法在复杂场景中仍可以进行鲁棒的视觉目标跟踪。

基于外观相似性更新的相关滤波跟踪算法

针对核相关滤波(kernel correlation filter, KCF)算法在目标旋转、形变等复杂环境中容易产生模型漂移的问题,提出了一种基于KCF自适应更新的目标跟踪算法(adaptive updating target tracking algorithm based on KCF,AUKCF)。该方法首先对响应进行多峰判断,然后针对多峰现象使用显著性检测进行目标的重新定位,减少模型漂移。为了保证显著性检测的准确性,使用重检测手段进行显著性检测结果的校准。最后,使用斯皮尔曼相关性判断目标是否存在遮挡、严重形变等问题,并根据斯皮尔曼相关性结果决定是否进行模型的更新,减少模型退化,提高更新效率。在目标跟踪数据集OTB2015上进行测试,实验结果表明,AUKCF相比KCF算法的精度和成功率分别提高14%和11.8%,并且AUKCF算法比目前流行的深度学习算法更加简洁,对设备性能要求更低,算法实时性可以达到93.84 fps。