基于外观相似性更新的相关滤波跟踪算法

TP139; 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...

Full description

Saved in:
Bibliographic Details
Published in系统工程与电子技术 Vol. 44; no. 1; pp. 117 - 126
Main Authors 方澄, 路稳, 姬菁颖, 宋玉蒙, 梁斐菲, 罗志伟
Format Journal Article
LanguageChinese
Published 中国民航大学电子信息与自动化学院,天津300300 2022
Subjects
目标跟踪;显著性检测;斯皮尔曼相关性;模型退化;模型更新
Online AccessGet full text
ISSN1001-506X
DOI10.12305/j.issn.1001-506X.2022.01.16

Cover

More Information
Summary:TP139; 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.
ISSN:1001-506X
DOI:10.12305/j.issn.1001-506X.2022.01.16