基于相關(guān)濾波的目標快速跟蹤算法研究

張家葉子

（92941部隊，葫蘆島 125000）

1 目標跟蹤及CF跟蹤思想

從概念上來看，可將目標跟蹤定義如下：在第一幀中，以方框表示出一個目標，然后，在后面的各幀中均定位此目標。通常來說，目標跟蹤主要有兩種，即生成式、判別式。前者是先對目標特征進行提取，再建立目標外觀模型，然后，利用其對圖像區(qū)域進行搜索，以實現(xiàn)模式匹配，如果在圖像中找到的區(qū)域與模型最匹配，這就是目標；后者也叫基于檢測的跟蹤方法，其是將視覺目標跟蹤定義成二分類問題，然后，對背景與跟蹤目標間的決策邊界進行探尋。

2 基于CF跟蹤的發(fā)展研究

2.1 CF方法的創(chuàng)建

在計算機視覺中，CF最早是應(yīng)用于眼睛跟蹤及檢測行人，但因為這種方法需要基于大量訓(xùn)練數(shù)據(jù)才能實現(xiàn)，跟蹤速度太慢，不能更好地適應(yīng)當前實際所需。Bolme等在2010年提出了新型相關(guān)濾波器MOSSE，于是CF字詞開始被應(yīng)用于跟蹤算法。此種跟蹤器是在頻域中建立框架，借助FFT的快速性來進行跟蹤，極大地提高了跟蹤速度，使之可達600-700 fps。這以結(jié)果大大超過了當時的最為先進的算法，而且，其性能也非常卓越，一度在CV界激起強烈反響，并引起了重點關(guān)注。

2.2 循環(huán)結(jié)構(gòu)和核技巧

實踐結(jié)果顯示，由于基于檢測的跟蹤必須要以大量樣本數(shù)據(jù)為基礎(chǔ)來進行訓(xùn)練，由此就會增加計算負擔，這背離了實時跟蹤的需求。不過，如果樣對樣本數(shù)量進行限制，則又會導(dǎo)致犧牲算法性能受到影響。出于加快訓(xùn)練的目的，之前以CF算法為基礎(chǔ)的跟蹤，均選擇稀疏采樣的策略，這樣在每一幀中，都能在目標臨域內(nèi)得到數(shù)個與目標相同大小的樣本。同時，樣本如果重疊率很高，將會導(dǎo)致數(shù)據(jù)冗余很大，但若采用下采樣的方法，就能將背景雜亂序列的跟蹤性能顯著降低。牛津大學(xué)Joao F.Henriques通過研究發(fā)現(xiàn)，如果平移樣本達到數(shù)千個時，數(shù)據(jù)矩陣就會呈現(xiàn)出環(huán)狀的特征，在這種情況下，樣本間潛在的結(jié)構(gòu)信息就得不到有效的利用。

后來，隨著研究的進一步深入，在CSK基礎(chǔ)上，Joao F.Henriques繼續(xù)提出了核化相關(guān)濾波器KCF，KCF是一種新型的、優(yōu)化后的核化相關(guān)濾波器。同時，他還應(yīng)用線性核提出了DCF，其是由快速多通道擴展而來的線性相關(guān)濾波器。KCF優(yōu)勢顯著，借助其優(yōu)點可以執(zhí)行執(zhí)行分類器訓(xùn)練，并檢測候選樣本，如果結(jié)合HOG特點，就能快捷地實現(xiàn)非常理想的跟蹤效果，而且很是精確、魯棒且快速。從精度和速度來看，其均遠遠領(lǐng)先于當時OTB50上最具代表性的Struck算法。

2.3 尺度估計研究

在CF方法具體應(yīng)用中，因為應(yīng)用了FFT，這將極大地提高了跟蹤算法的速度，美中不足的是，CF本身的尺度估計能力是不具備的。從文獻資料來看，有研究者提出了DSST，這是一種新的魯棒尺度估計方法。DSST使用HOG特征，同時，其基礎(chǔ)上學(xué)習(xí)判別CF是在尺度金字塔表示的。尺度的估計是應(yīng)用一維濾波器，平移的判斷是應(yīng)用二維濾波器，定位目標應(yīng)用的是三維濾波器并通過窮舉尺度空間來實現(xiàn)。該算法的通用性比較強，能與所有不具備尺度估計的跟蹤方法實現(xiàn)有效合作。

比較DSST和SAMF兩種方法可以發(fā)現(xiàn)，DSST是將跟蹤分為兩個問題進行研究，因而其方法與特征比較靈活，不足之處是需要另外訓(xùn)練一個濾波器，采樣33個圖像塊才能滿足每幀尺度檢測所需；SAMF與其相反，只要一個濾波器就可以，每個尺度只要檢測一次，就能提取特征和FFT，不過，如果圖像塊比較大，其需要比DSST高很多的計算量。一般來說，金字塔尺度估計方法需要包含幾十層塔，尺度估計要在跟蹤前進行。有研究者提出一種新的尺度估計方法，其以快速特征金字塔為基礎(chǔ)，第一次實現(xiàn)了利用真正的最小數(shù)量層特征金字塔，同時，還較好地解決了在搜索合適尺度前構(gòu)建金字塔的不足。實證研究結(jié)果顯示，這種尺度估計的通用性也非常佳，不含尺度估計的跟蹤器都可以應(yīng)用。

為解決，還有研究者提出RAJSSC跟蹤器算法，這種算法以JSSC濾波器為基礎(chǔ)來進行尺度估計，同時，旋轉(zhuǎn)估計時，需要將笛卡爾坐標轉(zhuǎn)變?yōu)閷?shù)極坐標。這種算法較好地解決了旋轉(zhuǎn)運動跟蹤問題。sKCF是一種快速可伸縮核相關(guān)濾波器，其以KCF框架為基礎(chǔ)，具有獨立性，能集成到任何多項式及線性CF中。

2.4 深度特征

如今，深度CNNs已然來到，利用圖像可以表示網(wǎng)絡(luò)的全連接層，能實現(xiàn)精準和及時的跟蹤，還不需要對目標語義類別進行確定。有研究顯示，深層特征比較性能比較優(yōu)異，來自第一層的激活，提升了其跟蹤性能，強化了跟蹤效果。對CF框架來說，核心之舉是如何將CNNs的多個層進行融合。

3 總結(jié)及展望

綜上所述，在相關(guān)濾波的目標快速跟蹤算法中，對精確性和魯棒性以及通用性有著很高的要求，因此，需要不斷進行相關(guān)的研究，從而提高算法性能。