基于分塊提取與異步更新的目標(biāo)跟蹤算法

歐陽美龍

（遼東學(xué)院工程技術(shù)學(xué)院，遼寧 丹東 118000）

0 引言

目標(biāo)跟蹤是當(dāng)前計算機(jī)視覺領(lǐng)域的研究熱點，在智能監(jiān)控、導(dǎo)航定位及人機(jī)交互等領(lǐng)域有著重要應(yīng)用，但受限于實際應(yīng)用中遮擋、目標(biāo)形變、相似干擾及光照變化等復(fù)雜環(huán)境，已有跟蹤算法難以滿足應(yīng)用中的準(zhǔn)確性、實時性以及魯棒性要求，因此，構(gòu)建有效的視覺特征模型，并提高其對復(fù)雜背景的可分性和自適應(yīng)性，是進(jìn)行魯棒目標(biāo)跟蹤的關(guān)鍵，也是極具挑戰(zhàn)的課題之一。

目標(biāo)跟蹤通常分為產(chǎn)生式和判別式兩類方法，產(chǎn)生式算法基于模型匹配處理，通過先驗?zāi)Ｐ蜆?gòu)建和最后似然估計，搜索與目標(biāo)最匹配的圖像匹配，如空間學(xué)習(xí)、特征模板和局部稀疏表達(dá)等方法，產(chǎn)生式算法具有豐富的目標(biāo)信息描述能力，但缺少對背景影響的考慮，當(dāng)目標(biāo)自身變化或光照變化、遮擋存在時，跟蹤漂移較大；判別式算法構(gòu)建目標(biāo)和背景的二分類模型，通過更新在線分類器完成對背景的分類和目標(biāo)的跟蹤，判別式算法又可細(xì)分為傳統(tǒng)方法、基于相關(guān)濾波和深度學(xué)習(xí)的方法，傳統(tǒng)方法如：基于Boosting、SVM、Bayesian和隨機(jī)學(xué)習(xí)的分類器，傳統(tǒng)判別式跟蹤方法兼顧到目標(biāo)與場景信息，具有較好的判別能力，但其對樣本質(zhì)量和數(shù)據(jù)要求較高，且計算復(fù)雜度較大。

具有頻域快速計算特性的相關(guān)濾波的跟蹤方法以其出色的性能和速度優(yōu)勢，緩解了傳統(tǒng)判別式算法的低效及對樣本依賴問題，成為研究熱點之一。Bolme 等首次將相關(guān)濾波引入到了目標(biāo)跟蹤領(lǐng)域；……