RGB-D與MeanShift相結合的實時目標跟蹤

(陸軍工程大學石家莊校區納米技術與微系統實驗室，河北石家莊，050003)

目標跟蹤是計算機視覺領域的重要研究方向，通常基于單目攝像頭實現行人、車輛、障礙物以及標志物等目標信息的采集，給出目標在初始幀中的位置和大小，進而估計出目標在后續幀圖像中的狀態。但是，單目攝像頭采集的目標特征信息有限，相比較而言，雙目攝像頭可以更加全面地反映目標特征信息，獲取精確的深度特征。目標跟蹤按照有無檢測過程的參與一般可以劃分為判別式跟蹤與生成式跟蹤[1]。判別式跟蹤主要包括兩大類：基于相關濾波和深度學習的跟蹤算法。HENRIQUES等[2-8]在相關濾波研究方面做出了重要貢獻，提出了CSK，KCF/DCF，Staple，CN，DSST，C-COT[7]和ECO[8]等算法，分別從特征表達、尺度更新、降低邊界效應、模型更新策略、精簡訓練集等角度進行優化。基于深度學習的跟蹤算法性能優異，學者們從不同角度解決訓練數據缺失的問題[9-10]。判別式跟蹤算法考慮了背景信息，一般情況下魯棒性更強，但其對訓練樣本的依賴程度較高，受訓練樣本影響極大。MeanShift屬于生成式跟蹤算法，其調節參數少、魯棒性強、速度快，是當前目標跟蹤領域的重要研究方向之一[11]，VOT 2015官方推薦的實時算法就包括基于MeanShift框架的ASMS(scale-adaptivemean-shift)[12]，平均幀率達125幀/s。然而，MeanShift只考慮了目標的顏色直方圖特征，當目標與背景顏色相近時，易受這些相似區域的干擾。張鐵等[13-14]通過結合粒子濾波的方法提高了算法的分辨力，但粒子濾波一定程度上影響了算法的實時性。……