結(jié)合核相關(guān)濾波和Kalman預(yù)測(cè)的運(yùn)動(dòng)目標(biāo)跟蹤

田亞蕾, 馬 杰, 楊 楠

(河北工業(yè)大學(xué) 電子信息工程學(xué)院，天津 300401)

1 引 言

運(yùn)動(dòng)目標(biāo)跟蹤，在監(jiān)控、視覺導(dǎo)航以及醫(yī)療圖像、人機(jī)交互等諸多領(lǐng)域有著廣泛應(yīng)用，是計(jì)算機(jī)視覺領(lǐng)域的一個(gè)重要分支[1].當(dāng)前目標(biāo)跟蹤方法分為兩大類：生成(generative)模型方法[2-4]和判別(discriminative)模型方法[5-7].近年來判別模型方法以其高效性流行起來，同時(shí)許多研究者[8-10]注意到相關(guān)濾波類方法可以在頻域進(jìn)行計(jì)算，從而加快運(yùn)行速度.Blome等[8]提出了一種最小輸出平方誤差和濾波器，將相關(guān)濾波用在了跟蹤領(lǐng)域，采用離散傅里葉變換使能夠在頻域?qū)ο嗨贫冗M(jìn)行計(jì)算，將算法的運(yùn)行速度顯著提高.在此基礎(chǔ)上，Henriques等[9]提出了基于循環(huán)結(jié)構(gòu)(CSK)的跟蹤算法，利用循環(huán)結(jié)構(gòu)提取樣本并在頻域進(jìn)行計(jì)算，進(jìn)一步提升了算法運(yùn)行速度.Danelljan等[10]采用引入顏色空間特征[11]擴(kuò)展CSK跟蹤器的方法提出了自適應(yīng)顏色跟蹤(CNT)算法，實(shí)現(xiàn)了顏色的自適應(yīng)跟蹤.Henriques等[12]又將CSK算法的特征提取改為用方向梯度直方圖(HOG)特征[13]替代原始像素，提出核相關(guān)濾波器(KCF)跟蹤算法，進(jìn)而提高了跟蹤器的準(zhǔn)確性與魯棒性.王春平等[14]在特征提取和尺度自適應(yīng)兩個(gè)方面對(duì)核相關(guān)濾波跟蹤算法進(jìn)行了研究，提出了一種自適應(yīng)核相關(guān)跟蹤算法來改善KCF算法的跟蹤性能.

KCF跟蹤方法和以上的改進(jìn)方法[10,14]都沒考慮位置預(yù)測(cè)問題，在使用當(dāng)前幀的目標(biāo)位置確定下一幀目標(biāo)位置的過程中，并不涉及目標(biāo)的運(yùn)動(dòng)狀態(tài)信息，當(dāng)發(fā)生快速運(yùn)動(dòng)等干擾時(shí)，就會(huì)丟失目標(biāo)導(dǎo)致跟蹤失敗.而Kalman濾波[15]能夠根據(jù)當(dāng)前幀中目標(biāo)質(zhì)心位置來預(yù)測(cè)下一幀中目標(biāo)質(zhì)心可能出現(xiàn)的位置，以最小均方誤差為最佳遞推估計(jì)準(zhǔn)則，能較準(zhǔn)確地預(yù)測(cè)出目標(biāo)的速度和位置.因此，本文在KCF算法中加入Kalman濾波對(duì)跟蹤過程進(jìn)行目標(biāo)位置預(yù)測(cè).另外，文獻(xiàn)[10,12,14]從特征表達(dá)的角度改進(jìn)相關(guān)濾波算法，分別采用HOG特征、顏色名稱特征(CN)、特征融合等代替原始灰度特征.受文獻(xiàn)[10]啟發(fā)，本文用CN特征對(duì)圖像進(jìn)行特征提取.針對(duì)傳統(tǒng)KCF算法受快速運(yùn)動(dòng)、遮擋和相似物干擾等因素影響時(shí)導(dǎo)致跟蹤失敗這一問題，本文采用CN特征進(jìn)行特征提取，并融合Kalman濾波器進(jìn)行位置預(yù)測(cè)，對(duì)KCF的特征提取方式和跟蹤策略進(jìn)行改進(jìn).

2 KCF跟蹤基本原理

KCF跟蹤算法，首先在初始幀選定被跟蹤的目標(biāo)并構(gòu)建跟蹤區(qū)域，其次利用循環(huán)矩陣?yán)碚搶⒏檯^(qū)域進(jìn)行循環(huán)移位，通過核函數(shù)來計(jì)算目標(biāo)位置的可能區(qū)域與跟蹤目標(biāo)的相似程度，選取輸出響應(yīng)最大的區(qū)域作為新的目標(biāo)，然后通過傅里葉變換快速訓(xùn)練分類器并完成目標(biāo)檢測(cè)，最終達(dá)到快速跟蹤的目的.

2.1 核相關(guān)濾波器

KCF算法通過一個(gè)非線性映射函數(shù)φ(x)，使映射后的樣本能夠進(jìn)行線性計(jì)算，則在新空間中使用嶺回歸即正則化最小二乘法(RLS)對(duì)非線性回歸函數(shù)f(x)=ωTφ(x)進(jìn)行訓(xùn)練，得到一個(gè)權(quán)重系數(shù)ω：

(1)

其中xi是數(shù)據(jù)矩陣X每行的一個(gè)樣本，yi是對(duì)應(yīng)于樣本的期望輸出，λ是一個(gè)控制過擬合的正則化參數(shù).由上式求極值可得線性分類器：

ω=(XTX+λI)-1XTy

(2)

(3)

且基于核函數(shù)的嶺回歸問題(KRLS)可表示為：

α=(K+λI)-1y

(4)

其中：α為αi所組成的向量，y為yi所組成的向量，I為單位矩陣，K為n×n核矩陣，滿足Kij=k(xi,yi)，將尋找最優(yōu)ω的問題轉(zhuǎn)化為尋找最優(yōu)α的問題.

2.2 循環(huán)矩陣

將具有感興趣對(duì)象的塊的n×1向量表示為x=[x1,x2,…,xn]T，作為基礎(chǔ)樣本.KCF中所有的訓(xùn)練樣本是由這個(gè)基礎(chǔ)樣本循環(huán)移位得到的.

乘積Px=[xn,x1,x2,…,xn-1]T表示將x移位一個(gè)元素，則由于循環(huán)屬性，每n個(gè)周期得到相同的信號(hào)X.這意味著可以通過等式{Pux|u=0,1,…,n-1}獲得全部移位信號(hào)：

(5)

循環(huán)矩陣一個(gè)非常有用的性質(zhì)是：無論生成向量X如何，所有循環(huán)矩陣都通過離散傅里葉變換(DFT)對(duì)角線進(jìn)行，表示為:

(6)

2.3 分類器訓(xùn)練與快速檢測(cè)

利用循環(huán)矩陣的性質(zhì)將目標(biāo)的基礎(chǔ)樣本作為正樣本，對(duì)基礎(chǔ)樣本循環(huán)位移得到負(fù)樣本，將上一幀的跟蹤結(jié)果作為基礎(chǔ)樣本進(jìn)行循環(huán)移位，以此得到整個(gè)樣本集.因此在跟蹤過程中只需對(duì)基樣本進(jìn)行計(jì)算，提高了訓(xùn)練速度.

由文獻(xiàn)[12]可以證明，當(dāng)C(x)為循環(huán)矩陣時(shí)，對(duì)于任何置換矩陣M，如果核函數(shù)滿足k(x,x′)=k(Mx,Mx′)，則對(duì)應(yīng)的核矩陣K是循環(huán)的，核矩陣K為

(7)

由此將循環(huán)矩陣的性質(zhì)應(yīng)用于式(3)，可以快速計(jì)算訓(xùn)練得到的回歸系數(shù)：

(8)

檢測(cè)中也應(yīng)用了循環(huán)矩陣來加速檢測(cè)過程.將下一幀相同位置的圖像塊z作為檢測(cè)基樣本并進(jìn)行循環(huán)移位，得到樣本集，那么就可以選擇f(zj)=αTφ(X)φ(zj)，響應(yīng)最大的樣本作為檢測(cè)出的新目標(biāo)區(qū)域.

定義Kz是測(cè)試樣本和訓(xùn)練樣本在核空間的核矩陣，Kz的每個(gè)元素由k(Pi-1x,Pj-1z)給出，由于核矩陣滿足K(xi,zj)=K(Pix,Pjz)，則Kz是循環(huán)矩陣.得到測(cè)試樣本的響應(yīng)為：

(9)

3 改進(jìn)的核相關(guān)濾波器

3.1 基于CN特征的KCF跟蹤算法

特征提取是通過影像分析和變換從圖像中提取所需特征，達(dá)到降維效果.傳統(tǒng)的KCF算法中給出了2種特征描述子：原始像素、方向梯度直方圖(HOG)特征.原始像素特征：將圖像轉(zhuǎn)換成灰度圖，以其像素灰度值作為圖像特征；HOG特征：計(jì)算和統(tǒng)計(jì)圖像局部區(qū)域的梯度方向直方圖，從而提取圖像特征.但是HOG特征描述子生成過程冗長(zhǎng)，導(dǎo)致速度慢，實(shí)時(shí)性差；再者由于梯度的性質(zhì)，HOG特征描述子對(duì)噪點(diǎn)相對(duì)敏感，且很難處理遮擋問題.相比原始像素特征與HOG特征，顏色直方圖具有較好的穩(wěn)定性，本文算法用CN統(tǒng)計(jì)特征對(duì)圖像進(jìn)行特征提取.

CN特征空間[11]是一種基于潛在概率模型的特殊顏色空間，文獻(xiàn)[10]首次將其應(yīng)用在目標(biāo)跟蹤算法中.這種特征提取方式是通過將圖像信息由RGB空間映射到CN空間(CN空間包含黃、紅、黑、藍(lán)、灰、粉、白、棕、綠、橙、紫11個(gè)顏色通道)，建立RGB空間到CN特征空間的概率映射關(guān)系.其數(shù)學(xué)描述形式為，對(duì)于一幅彩色圖像M，M(x)表示位置x處的顏色像素值，將該圖像映射到CN空間，使得M(x)轉(zhuǎn)換為11維概率特征向量f(x).即將RGB值用總概率和為1的11維顏色表示，實(shí)現(xiàn)了顏色信息的低維提取，可以有效地避免外界環(huán)境變化對(duì)提取顏色信息的影響[16].將其模型表示為：

(10)

其中，Ωc表示以x0為中心，以c為半徑的一個(gè)區(qū)域，N(·)為高斯函數(shù)，σ為其標(biāo)準(zhǔn)差.

運(yùn)算時(shí)對(duì)每一個(gè)通道進(jìn)行快速傅里葉變換和核映射，然后將11個(gè)通道的頻域信號(hào)線性相加，繼而完成運(yùn)算.

3.2 結(jié)合Kalman預(yù)測(cè)器的跟蹤機(jī)制

原始KCF跟蹤器，在尋找跟蹤目標(biāo)時(shí)，需要計(jì)算相似度，找出這一幀中圖像的目標(biāo)位置坐標(biāo)與上一幀中目標(biāo)的位置相似度最高的圖像塊，在這個(gè)過程中沒有分析目標(biāo)的運(yùn)動(dòng)狀態(tài)信息.而Kalman濾波能夠預(yù)測(cè)某一幀圖像中目標(biāo)質(zhì)心在下一幀中可能出現(xiàn)的位置，減小搜索區(qū)域，當(dāng)目標(biāo)發(fā)生快速運(yùn)動(dòng)和遮擋時(shí)，能比較快速準(zhǔn)確地預(yù)測(cè)出目標(biāo)的速度和位置.因此，本文提出一種結(jié)合KCF框架和Kalman預(yù)測(cè)器的跟蹤算法.

首先，在跟蹤前初始化Kalman濾波器，得到包含目標(biāo)中心點(diǎn)的人工標(biāo)注真實(shí)坐標(biāo)值和坐標(biāo)軸上的速度分量的初始狀態(tài)向量.Kalman濾波算法的2個(gè)重要的方程分別是：

狀態(tài)方程：Xt=At,t-1Xt-1+Wt-1

(11)

觀測(cè)方程：Zt=HtXt+Vt

(12)

式中：Xt是t時(shí)刻系統(tǒng)的狀態(tài)向量；Zt是t時(shí)刻的觀測(cè)值向量；At,t-1為狀態(tài)轉(zhuǎn)移矩陣，Ht為觀測(cè)矩陣；過程噪聲Wt-1和觀測(cè)噪聲Vt都是均值為0的白噪聲序列且互不相關(guān).

然后，為獲得先驗(yàn)估計(jì)值，利用當(dāng)前的狀態(tài)矩陣和協(xié)方差，根據(jù)遞歸估計(jì)原理來預(yù)測(cè)下一幀中目標(biāo)的速度和位置，得到其預(yù)測(cè)方程：

Xt,t-1=At,t-1Xt-1

(13)

(14)

式中：Xt,t-1為狀態(tài)預(yù)測(cè)向量；Pt,t-1為其協(xié)方差矩陣；Qt為過程噪聲Wt-1的協(xié)方差矩陣，Δt為時(shí)間間隔(通常取1) .

得到預(yù)測(cè)坐標(biāo)后，擴(kuò)大目標(biāo)采樣區(qū)域使采樣面積為目標(biāo)圖像的3.5倍，提取模型的CN特征，利用循環(huán)矩陣構(gòu)建樣本并對(duì)其進(jìn)行傅里葉變換.利用循環(huán)矩陣的性質(zhì)對(duì)高斯內(nèi)核進(jìn)行核化處理并得到濾波器的訓(xùn)練公式(8).

最后，結(jié)合新的實(shí)際觀測(cè)值與上一步獲得的先驗(yàn)估計(jì)值，利用反饋法獲取后驗(yàn)估計(jì)，將其作為當(dāng)前圖像中跟蹤目標(biāo)的速度和位置來更新濾波器：

Pt=(I-KtHt)Pt,t-1

(15)

(16)

Xt=Xt,t-1+Kt[Zt-HtXt,t-1]

(17)

式中：Rt為觀測(cè)噪聲向量Vt的協(xié)方差矩陣；Kt為Kalman增益矩陣；zt=[xct,yct] 表示t時(shí)刻核相關(guān)濾波檢測(cè)的目標(biāo)的中心點(diǎn)坐標(biāo).

3.3 改進(jìn)的跟蹤算法流程

本文算法在跟蹤過程中，首先用Kalman濾波器預(yù)測(cè)目標(biāo)圖像的位置坐標(biāo)，由預(yù)測(cè)坐標(biāo)選取跟蹤窗口，其次將原始圖像映射到CN特征空間并提取CN特征，然后使用KCF檢測(cè)目標(biāo)坐標(biāo)，最后利用檢測(cè)結(jié)果更新Kalman濾波器.圖1給出了采用CN特征提取及融合了Kalman濾波改進(jìn)的KCF跟蹤算法整體流程圖.

圖1 算法整體流程圖Fig.1 Algorithm overall flow chart

4 實(shí)驗(yàn)及結(jié)果分析

4.1 實(shí)驗(yàn)環(huán)境及參數(shù)

為評(píng)估改進(jìn)算法的有效性，本文首先在OTB-2013數(shù)據(jù)集[17]上進(jìn)行綜合測(cè)評(píng)，并與目前比較先進(jìn)的，如Struck、CSK、KCF等跟蹤算法進(jìn)行對(duì)比；然后從數(shù)據(jù)集的屬性出發(fā)，分析算法在面對(duì)各種挑戰(zhàn)時(shí)的魯棒性.

Benchmark的測(cè)試平臺(tái)為Matlab2014a，所有實(shí)驗(yàn)均在AMD A8-4500M APU with Radeon(tm) HD Graphics，主頻1.90GHz，4GB內(nèi)存配置的Windows10 64bit PC系統(tǒng)上完成.本文算法是在KCF算法的特征提取方式和位置預(yù)測(cè)上進(jìn)行改進(jìn)，所以對(duì)所有測(cè)試的視頻數(shù)據(jù)集，本文算法的基本參數(shù)仍采用原KCF參數(shù)，且在所有視頻序列上均保持一致，高斯核的標(biāo)準(zhǔn)差σ為0.5，正則化系數(shù)λ為0.0001，學(xué)習(xí)因子η為0.02.

4.2 性能評(píng)價(jià)標(biāo)準(zhǔn)

OTB-2013測(cè)評(píng)集由跟蹤的精度和重疊率兩方面提出了兩個(gè)測(cè)評(píng)準(zhǔn)則：精確度圖(Precision plot)和成功率圖(Success plot).本文采用這兩個(gè)準(zhǔn)則進(jìn)行測(cè)評(píng).

精確度圖的橫軸為中心位置誤差(CLE).在某一幀圖像中，CLE(Center Location Error)為跟蹤到的目標(biāo)中心位置坐標(biāo)與人工標(biāo)注真實(shí)坐標(biāo)之間的平均歐氏距離.通過設(shè)定某一閾值(本實(shí)驗(yàn)為20像素)，當(dāng)CLE小于這個(gè)閾值時(shí)正確跟蹤，其值越小跟蹤越精確；精度圖的縱軸為跟蹤精度大于設(shè)定閾值的幀數(shù)占全部圖像幀數(shù)的百分比.本實(shí)驗(yàn)給出了閾值從0到50時(shí)，視頻序列中能夠正確跟蹤的圖像幀數(shù)的百分比變化.

成功率圖的橫軸為邊界框的重疊率閾值(overlap threshold)，重疊率S數(shù)學(xué)表達(dá)方式為：S=|Rt∩Ra|/|Rt∪Ra|，表示運(yùn)行算法得到的跟蹤框Rt與人工標(biāo)注的真實(shí)目標(biāo)框Ra的重疊面積與兩個(gè)邊界框的總面積之比，|·|表示區(qū)域內(nèi)的像素點(diǎn)的數(shù)量；成功率圖的縱軸為成功的幀數(shù)所占的全部圖像幀數(shù)的比例.本實(shí)驗(yàn)給出了閾值從0到1變化時(shí)，重疊率大于給定閾值的幀數(shù)占全部圖像幀數(shù)的百分比.將成功率圖曲線下的面積(AUC)作為算法性能評(píng)價(jià)準(zhǔn)則，其值越大跟蹤性能越好.

魯棒性評(píng)估(Robustness evaluation)：評(píng)估跟蹤器的方法是在一個(gè)測(cè)試序列中，將人工標(biāo)注的第1幀目標(biāo)位置進(jìn)行初始化，并在待測(cè)試視頻序列中運(yùn)行算法，測(cè)量其精確度和成功率，稱之為一次通過評(píng)估(one-pass evaluation，OPE).

4.3 性能比較

4.3.1 定量分析

本實(shí)驗(yàn)采用精確度圖和成功率圖對(duì)改進(jìn)的跟蹤算法進(jìn)行魯棒性評(píng)估.在OTB-2013數(shù)據(jù)集上對(duì)本文算法(CNK-KCF)以及融合了Kalman濾波的KCF算法(K-KCF)的總體性能進(jìn)行了對(duì)比測(cè)評(píng)，對(duì)比算法包括幾種采用不同特征的相關(guān)濾波算法：CSK(灰度特征)、KCF(HOG特征)、CNT(CN特征)，以及兩種先進(jìn)算法：Struck、TLD，得到如圖2所示的精確度圖和成功率圖.

圖2 本文比較的7種算法OPE的精確度圖和成功率圖Fig.2 Comparison of seven algorithms OPE accuracy and success rate plots

由圖2可得到表1顯示的7種算法在測(cè)評(píng)集上的精確度和成功率.

表1 7種算法在測(cè)評(píng)集上的精確度和成功率Table 1 Accuracy and success rate of 7 algorithms on measurement datasets

由圖2和表1可知，與其他算法相比，CNK-KCF算法的精確度和成功率均為最優(yōu).從精確度來看，CNK-KCF算法為0.796，只采用Kalman濾波進(jìn)行預(yù)測(cè)的K-KCF算法為0.782，比KCF算法分別提高了5.6%和4.2%，比CSK算法分別提高了25.1%和23.7%.從成功率來看，CNK-KCF算法為0.607，K-KCF算法為0.574，比KCF算法分別提高了9.3%和6%，比CSK分別提高了20.9%和17.6%.由此可見，本文算法(CNK-KCF)的綜合性能較傳統(tǒng)算法具有明顯提高.

4.3.2 定性分析

下面以6個(gè)典型視頻序列中的幾幅圖像來對(duì)算法面臨各種因素干擾的挑戰(zhàn)時(shí)的跟蹤能力進(jìn)行分析.如圖3所示.

圖3 CNK-KCF、K-KCF、KCF、CSK、CNT、Struck、TLD算法在若干典型視頻序列上的跟蹤結(jié)果Fig.3 CNK-KCF, K-KCF, KCF, CSK, CNT, Struck and TLD algorithm in a number of typical video sequence tracking results

1)快速運(yùn)動(dòng)和運(yùn)動(dòng)模糊性能分析

圖3的(a)、(b)、(c)給出了7種算法在具有快速運(yùn)動(dòng)和運(yùn)動(dòng)模糊屬性的幾個(gè)典型幀上的跟蹤結(jié)果.快速運(yùn)動(dòng)是指序列地面真值的變化大于閾值像素，運(yùn)動(dòng)模糊是目標(biāo)區(qū)域由于目標(biāo)或攝像機(jī)的運(yùn)動(dòng)而模糊.圖3(a)中，KCF算法在跟蹤過程中出現(xiàn)了短暫跟蹤丟失情況，如第32幀，而CNK-KCF和K-KCF算法采用Kalman預(yù)測(cè)能夠正確跟蹤.圖3(b)中，目標(biāo)一直在跳躍，幾乎整個(gè)視頻序列都有快速運(yùn)動(dòng)和運(yùn)動(dòng)模糊，CNK-KCF、K-KCF和CNT算法都能夠持續(xù)正確跟蹤目標(biāo)，如第254幀.圖3(c)中，目標(biāo)快速運(yùn)動(dòng)產(chǎn)生運(yùn)動(dòng)模糊，如第238幀，CNK-KCF算法實(shí)現(xiàn)持續(xù)跟蹤.由以上結(jié)果可知，本文算法通過CN特征提取和融合Kalman預(yù)測(cè)能夠正確跟蹤快速運(yùn)動(dòng)和運(yùn)動(dòng)模糊的目標(biāo).

2)抗遮擋性能分析

圖3的(d)、(e)、(f)給出了7種算法在幾個(gè)典型幀上經(jīng)歷了遮擋的跟蹤結(jié)果.圖3(d)中，在第463幀目標(biāo)被相似物遮擋，CNK-KCF和K-KCF算法都能夠繼續(xù)跟蹤到目標(biāo).圖3(e)中，目標(biāo)兩次被燈柱和樹遮擋，其他算法均只在第一次被遮擋時(shí)能夠正確跟蹤，只有CNK-KCF和K-KCF算法能夠正確跟蹤目標(biāo)，如第144幀.圖3(f)中，目標(biāo)多次經(jīng)歷了長(zhǎng)時(shí)間遮擋，CNK-KCF、K-KCF和Struck算法均能持續(xù)正確跟蹤目標(biāo)，如第503幀和第596幀.由以上結(jié)果可知，本文算法加入了Kalman濾波器進(jìn)行預(yù)測(cè)提高了對(duì)遮擋的應(yīng)對(duì)能力.

3)復(fù)雜背景干擾的性能分析

圖3的(a)、(c)顯示了7種算法在具有復(fù)雜背景的幾個(gè)典型幀上的跟蹤結(jié)果.復(fù)雜背景干擾是指目標(biāo)附近的背景具有與目標(biāo)相似的顏色或紋理.圖3(a)中，目標(biāo)頭部與其他頭部出現(xiàn)了相近甚至重疊的情況，KCF算法的跟蹤結(jié)果偏離了目標(biāo)，而CNK-KCF和CNT算法正確跟蹤到了目標(biāo)位置.Soccer數(shù)據(jù)集中，在第238幀和367幀出現(xiàn)了多個(gè)人臉，KCF算法受相似目標(biāo)的干擾導(dǎo)致跟蹤失??；而CNK-KCF和CNT算法采用CN特征提取能夠正確跟蹤目標(biāo)，未受相似目標(biāo)干擾.

通過對(duì)算法進(jìn)行實(shí)驗(yàn)與分析發(fā)現(xiàn)，本文算法能夠應(yīng)對(duì)快速運(yùn)動(dòng)、運(yùn)動(dòng)模糊和遮擋等復(fù)雜場(chǎng)景下的目標(biāo)跟蹤，對(duì)于旋轉(zhuǎn)、尺度變化等其他情況也能取得不錯(cuò)的跟蹤效果.

5 結(jié) 論

傳統(tǒng)KCF算法在快速運(yùn)動(dòng)和運(yùn)動(dòng)模糊、遮擋及背景相似干擾等情況下存在跟蹤效果不佳的問題，對(duì)此，本文提出了一種結(jié)合KCF框架和Kalman預(yù)測(cè)器的運(yùn)動(dòng)目標(biāo)跟蹤算法.首先采用CN特征提取，減少了環(huán)境變化和相似干擾對(duì)目標(biāo)跟蹤的影響；然后在模型學(xué)習(xí)過程中擴(kuò)大目標(biāo)采樣區(qū)域，并在跟蹤過程中融入Kalman濾波的方法在算法中加入預(yù)測(cè)機(jī)制，提高了算法應(yīng)對(duì)目標(biāo)快速運(yùn)動(dòng)和遮擋的能力；最后在OTB-2013數(shù)據(jù)集上對(duì)算法進(jìn)行基于量化和屬性評(píng)估的測(cè)試，結(jié)果顯示本文算法的整體精度為0.796，成功率為0.607，提高了算法跟蹤的準(zhǔn)確性和成功率.此外，在目標(biāo)發(fā)生快速運(yùn)動(dòng)、運(yùn)動(dòng)模糊、遮擋和背景相似干擾等復(fù)雜情況時(shí)，與其他6種算法相比，本文算法具有更強(qiáng)的魯棒性.