基于級(jí)聯(lián)檢測(cè)的相關(guān)濾波跟蹤算法研究

1、基于級(jí)聯(lián)檢測(cè)的相關(guān)濾波跟蹤算法研究基于級(jí)聯(lián)檢測(cè)的相關(guān)濾波跟蹤算法研究目標(biāo)跟蹤技術(shù)是計(jì)算機(jī)視覺(jué)領(lǐng)域中的重要研究課題。目標(biāo)跟蹤是對(duì)視頻序列圖像幀進(jìn)行檢測(cè)、分類(lèi)和分析，通過(guò)計(jì)算圖像幀中所標(biāo)定目標(biāo)在每一幀圖像上的二維坐標(biāo)位置，然后將連續(xù)圖像幀的同一目標(biāo)所處位置連接起來(lái)，得到運(yùn)動(dòng)目標(biāo)運(yùn)動(dòng)軌跡。目標(biāo)跟蹤在人機(jī)交互、機(jī)器人、無(wú)人駕駛以及智能監(jiān)控等[1]領(lǐng)域有非常重要的研究?jī)r(jià)值。在目標(biāo)跟蹤算法中，模型實(shí)現(xiàn)跟蹤的思想大都是基于trackingbydete

2、ction框架[2]，將目標(biāo)跟蹤問(wèn)題看成檢測(cè)問(wèn)題，然后對(duì)檢測(cè)到的目標(biāo)建模。Kalal.Z等人提出的TLD[3]傳統(tǒng)跟蹤算法，模型采用光流法和檢測(cè)算法，同時(shí)，采用跟蹤器與檢測(cè)器并行更新的方式實(shí)現(xiàn)目標(biāo)跟蹤，但TLD受限于基準(zhǔn)濾波器和分類(lèi)檢測(cè)器的能力，對(duì)目標(biāo)再現(xiàn)和旋轉(zhuǎn)較為敏感?；谂袆e式模型的思想是將跟蹤問(wèn)題看成一個(gè)二元分類(lèi)問(wèn)題，找到能夠區(qū)分目標(biāo)和背景的最優(yōu)分類(lèi)決策，最大程度地將目標(biāo)區(qū)域與非目標(biāo)區(qū)域標(biāo)記并分類(lèi)，從而實(shí)現(xiàn)對(duì)候選區(qū)域中目標(biāo)的判定，

3、ZhangK等人將壓縮感知引入到目標(biāo)跟蹤中CT[4]，同時(shí)利用稀疏測(cè)量矩陣進(jìn)行特征提取并建立目標(biāo)表示模型，其跟蹤速度達(dá)到64FPS；HareS等人基于結(jié)構(gòu)化輸出SVM提出了目標(biāo)跟蹤算法Struck[5]，同時(shí)利用核化的SVM直接輸出結(jié)果，滿(mǎn)足實(shí)時(shí)性要求；基于判別式模型的目標(biāo)跟蹤算法性能主要取決于分類(lèi)器的判別性，其中α是系數(shù)，表示的是原空間到希爾伯特（Hilbert）特征空間的映射。采用核函數(shù)求解目標(biāo)函數(shù)，達(dá)到提高濾波器的效果。其中，x是

4、更新累積樣本。根據(jù)文獻(xiàn)[7]的理論推導(dǎo)，采用正則化最小二乘（RLS）分類(lèi)器模型同時(shí)利用核函數(shù)，將原濾波器目標(biāo)函數(shù)改寫(xiě)成：⑶因此，公式⑸可以利用循環(huán)矩陣可對(duì)角化的性質(zhì)和傅里葉變換，通過(guò)核化正則最小二乘法（RLSC）得到最優(yōu)解：⑷其中核函數(shù)采用的是高斯核，計(jì)算公式為：⑸在新一幀圖像輸入中，獲得新的候選窗口圖像塊z進(jìn)行目標(biāo)檢測(cè)，分類(lèi)器的輸出響應(yīng)計(jì)算值為：⑹從公式⑿中，可以看出，相關(guān)濾波應(yīng)用于跟蹤中，僅需更新優(yōu)化目標(biāo)函數(shù)中的濾波器參數(shù)α和累計(jì)樣