基于核相關濾波器的運動目標跟蹤算法研究

劉聃琦

摘 要 如何讓計算機代替人眼學會“看”，是一門至關重要的科學，這門科學就是計算機視覺。作為計算機視覺中的一項重要任務，一個熱點之一，目標跟蹤具有重要的應用價值。影響目標穩定跟蹤的因素有很多，想在任何影響下都能穩定跟蹤在領域內是一項重大的挑戰。相關濾波跟蹤算法具有較高的跟蹤精度以及優秀的跟蹤處理速度，然而在目標有尺度變化或者受到遮擋時的跟蹤效果不是很理想。針對這兩個問題，本文提出一種基于核相關濾波并融合HOG特征與SIFT特征的跟蹤算法。該算法能在一定程度上解決目標尺度變化劇烈以及短暫遮擋后目標框漂移的問題。

關鍵詞 目標跟蹤;相關濾波;尺度自適應;抗遮擋;特征融合

1相關濾波跟蹤原理

1.1 相關濾波

在信號領域，兩個信號的相似程度稱之為相關性。將相關的概念運用到跟蹤里，就是得到一個模板跟蹤器，將模板與跟蹤目標進行相關檢測，最終得到最相關的目標區域完成跟蹤[1]。

1.2 核相關濾波

實際問題大多都是非線性回歸問題，直接求解非線性問題非常困難，所以經常使用非線性變換將現實中的這類問題轉化為核空間的線性問題來簡化。這個非線性變換可以用一個變換函數來實現將低維空間映射到高維核空間。

核相關濾波跟蹤算法首先對第一幀圖像提取HOG特征進行建模，再將目標樣本循環采樣構成樣本循環矩陣，用所得到的樣本與期望響應進行訓練得到核相關濾波器，最后用濾波器對后續目標幀進行核相關運算得到目標響應圖。

1.3 缺陷分析

當目標有明顯尺度變化情況，或者目標被遮擋時，會影響到模板更新，也會造成目標框漂移跟蹤不穩定的問題。

采用的特征是單一的HOG特征，依賴跟蹤目標的空間布局，不適應目標形變。

2結合SIFT的核相關濾波算法

SIFT特征是一種穩定的特征描述。本文融合SIFT特征對運動目標跟蹤算法進行優化。

2.1 SIFT算法概述

SIFT特征對圖像的旋轉、縮放、亮度變化都有適應能力，在視角變化、仿射變換、噪音等影響因素下也能保持特征描述的穩定性。

SIFT特征信息特征庫豐富，能進行快速準確的匹配達到實時性。SIFT特征描述量大，可以很方便地與其他特征向量進行匹配[2]。

2.2 SIFT算法理論基礎

（1）高斯尺度空間

圖像的模糊程度可以模擬視網膜對于不同距離物體的成像效果。人距離物體越近其尺寸越大，圖像也越模糊，這就是高斯尺度空間。

稱為尺度空間因子，其值越大圖像越模糊，對應的尺度越大。代表圖像的高斯尺度空間。

（2）空間極值檢測

每個像素點要和同一尺度空間和相鄰尺度空間的相鄰點進行比較。該點要與3*3鄰域內的三個尺度空間的相鄰點作比較，共26個像素點。

（3）求取特征點主方向

計算以特征點為中心，每個點的梯度的模以及方向可通過下面公式求得：

梯度方向的直方圖橫坐標為梯度方向的角度，縱坐標為對應方向梯度幅值的累加，直方圖的峰值則為特征點主方向。

（4）特征描述

關鍵點旋轉后以主方向為中心取16*16的鄰域點，每個像素都表示為一個幅值和一個方向，最后利用高斯窗口對每4*4進行加權運算得到16個描述子來描述特征，每個描述子有8個方向的梯度信息，最后產生128維的特征描述向量。

2.3 算法綜述

本文提出一種基于核相關濾波并融合SIFT特征的運動目標跟蹤算法。首先，保持運用HOG特征對第一幀圖像的目標區域進行特征描述，對目標圖像進行循環采樣，得到的樣本再與所框選目標的期望響應進行訓練得到相關濾波模板;運用該模板對下一幀圖像進行最大響應跟蹤并更新模板參數;當目標受到遮擋或者尺度變化過大時，停止更新模板并提取目標區域的SIFT特征，直至遮擋結束或者目標恢復，利用SIFT特征找到丟失的目標，再恢復原利用HOG特征的相關濾波進程繼續跟蹤[3]。

參考文獻

[1] Henriques J. F.，Caseiro R.，Martins P.，et al. Exploiting the circulant structure of tracking-by-detection with kernels[C]. European conference on computer vision. Springer Berlin Heidelberg，2012：702-715.

[2] Henriques J. F.，Caseiro R.，Martins P.，et al. High-speed tracking with kernelized correlation filters[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2015，37（3）：583-596.

[3] 吳昭童.基于相關濾波的目標穩定跟蹤技術研究[D].北京：中國科學院大學，2019.