為解決相關(guān)濾波(Discriminative Correlation Filter,DCF)算法在快速運動、遮擋、尺度變化等復雜情景下的跟蹤失敗問題,提出一種融合運動狀態(tài)信息的高速相關(guān)濾波目標跟蹤算法.在傳統(tǒng)DCF算法基礎上做出以下改進:(1)在跟蹤框架中融入卡爾曼(Kalman)濾波器,利用目標運動狀態(tài)信息對預測運動軌跡進行修正,以解決目標復雜運動時易跟丟問題,提高跟蹤精度;(2)訓練一個獨立的尺度相關(guān)濾波器進行目標尺度預測,并利用主成分分析法(Principal Component Analysis,PCA)進行特征降維處理,提高跟蹤速度;(3)提出一種高置信度更新策略判斷是否對位置濾波器進行模板更新,以及是否采用Kalman濾波器預測位置作為目標位置.最后在OTB-100數(shù)據(jù)集上進行算法測試,提出算法平均精度與成功率分別達到74.8%與69.8%,平均幀率為84.37幀/s.相較其他幾種主流算法,本文算法有效提高跟蹤性能,并保證了跟蹤速度,滿足實時性要求,在遮擋、背景模糊、運動模糊等復雜情況下能夠保持良好的跟蹤效果.

【文章頁數(shù)】：10 頁

【文章目錄】：
1 相關(guān)濾波基本原理
    1.1 分類器訓練
    1.2 快速檢測
    1.3 參數(shù)更新
2 算法
    2.1 卡爾曼修正
    2.2 特征降維與尺度估計
        2.2.1 特征降維
        2.2.2 尺度估計
    2.3 自適應更新
3 實驗及結(jié)果分析
    3.1 定量分析
        3.1.1 整體跟蹤性能測試
        3.1.2 不同屬性下跟蹤性能測試
    3.2 定性分析
4 結(jié)論



本文編號：3740590