基于融合特征的多尺度快速相关滤波跟踪算法

计算机工程与科学

基于融合特征的多尺度快速相关滤波跟踪算法

火元莲，曹鹏飞，董俊松，石明

(西北师范大学物理与电子工程学院，甘肃兰州 730070)

收稿日期:2018-04-18 修回日期:2018-06-20 出版日期:2019-03-25 发布日期:2019-03-25
基金资助:
国家自然科学基金（61561044）；甘肃省高等学校科研项目(2016A004)

A multi-scale fast correlation filter tracking

algorithm based on fusion features

HUO Yuanlian,CAO Pengfei,DONG Junsong,SHI Ming

(College of Physics and Electronic Engineering,Northwest Normal University,Lanzhou 730070,China)

Received:2018-04-18 Revised:2018-06-20 Online:2019-03-25 Published:2019-03-25

摘要/Abstract

摘要：

针对复杂场景下目标遮挡和尺度变化所导致的跟踪效果不佳问题，提出一种基于融合特征的多尺度快速相关滤波跟踪算法。首先，对目标的3种特征降维融合构成特征矩阵；其次，采用主成分分析思想实时地提取显著特征，重构特征矩阵，在有效降维的同时训练位置相关滤波器；最后，利用融合特征矩阵训练尺度相关滤波器，从而准确预测目标位置和尺度。实验部分将改进算法与目前流行的相关滤波跟踪算法进行比较，结果表明，改进算法在目标遮挡和尺度变化场景下跟踪精度较高，平均跟踪速度达到52.5 frame/s。

关键词: 目标跟踪, 相关滤波, 特征融合, 主成分分析

Abstract:

We propose a multiscale fast correlation filter tracking algorithm based on fusion features to solve the problem of poor tracking effect caused by target occlusion and scale change in complex scenes. Firstly, the dimensions of the three features of the target are reduced and fused to form a feature matrix. Secondly, the principal component analysis is used to extract the salient features in real time, reconstruct the feature matrix, and position correlation filters are trained while reducing the dimension effectively. Finally, the fusion feature matrix is adopted to train scale correlation filters, thus the position and scale of the target is accurately predicted. We compare the improved algorithm with popular correlation filter tracking algorithms by experiment, and the results show that the improved algorithm has a higher tracking accuarcy and an average tracking speed of 52.5 frame/s in scenarios of target occlusion and scale change.

Key words: object tracking, correlation filter, feature fusion, principal component analysis

火元莲，曹鹏飞，董俊松，石明. 基于融合特征的多尺度快速相关滤波跟踪算法[J]. 计算机工程与科学.

HUO Yuanlian,CAO Pengfei,DONG Junsong,SHI Ming .

A multi-scale fast correlation filter tracking

algorithm based on fusion features

[J]. Computer Engineering & Science.

[1]	李新洁, 王文君, 董凌, 赖华, 余正涛, 高盛祥, . 基于多特征交互融合的老挝语无监督音素分割方法[J]. 计算机工程与科学, 2024, 46(05): 937-944.
[2]	王谢中, 陈旭, 景永俊, 王叔洋. 基于异构图神经网络的半监督网站主题分类[J]. 计算机工程与科学, 2024, 46(04): 635-646.
[3]	余天赐, 高尚. 融合多结构信息的代码注释生成模型[J]. 计算机工程与科学, 2024, 46(04): 667-675.
[4]	杨晓强, 黄加诚. 基于动态定位和特征融合的多分支细粒度识别方法[J]. 计算机工程与科学, 2024, 46(02): 253-263.
[5]	江志鹏, 王自全, 张永生, 于英, 程彬彬, 赵龙海, 张梦唯. 基于改进Deformable DETR的无人机视频流车辆目标检测算法[J]. 计算机工程与科学, 2024, 46(01): 91-101.
[6]	李卓璇, 周亚同. 改进DBNet的电商图像文字检测算法研究[J]. 计算机工程与科学, 2023, 45(11): 2008-2017.
[7]	董子平, 陈世国, 廖国清. 基于YOLOv5s的密集多人脸检测算法[J]. 计算机工程与科学, 2023, 45(10): 1838-1846.
[8]	马玉民, 钱育蓉, 周伟航, 公维军, 帕力旦·吐尔逊. 基于孪生网络的目标跟踪算法综述[J]. 计算机工程与科学, 2023, 45(09): 1578-1592.
[9]	曾凡锋, 王春真, 李琛. 基于深浅层特征融合的无监督视频摘要算法研究[J]. 计算机工程与科学, 2023, 45(09): 1602-1610.
[10]	崔克彬, 崔叶微. 基于卷积和Transformer的断路器动触头跟踪方法研究[J]. 计算机工程与科学, 2023, 45(07): 1236-1244.
[11]	濮子俊, 张寿明. 基于特征融合与Transformer模型的声音事件定位与检测算法研究[J]. 计算机工程与科学, 2023, 45(06): 1097-1105.
[12]	邓姗姗, 黄慧, 马燕. 基于改进Faster R-CNN的小目标检测算法[J]. 计算机工程与科学, 2023, 45(05): 869-877.
[13]	孙琪, 翟锐, 左方, 张玉涛, . 基于部分卷积和多尺度特征融合的人脸图像修复模型[J]. 计算机工程与科学, 2023, 45(02): 304-312.
[14]	杨昊, 赵刚, 王兴芬. 基于混合模型的事件触发词抽取[J]. 计算机工程与科学, 2023, 45(01): 171-180.
[15]	张海燕, 付应娜, 丁桂江, 孟庆岩. 基于无锚框目标检测算法的多样性感受野注意力特征补偿[J]. 计算机工程与科学, 2022, 44(11): 1995-2002.