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。