針對相關(guān)濾波器的空間正則化權(quán)重與目標(biāo)內(nèi)容無關(guān)和跟蹤過程中模型退化等問題,提出一種基于時(shí)間感知和自適應(yīng)空間正則化的相關(guān)濾波跟蹤算法。首先,提取灰度特征、CN（color name）特征和方向梯度直方圖（HOG）特征來提升算法模型對目標(biāo)的表達(dá)能力;其次,通過圖像顯著性檢測算法獲得帶有目標(biāo)內(nèi)容信息的空間正則化初始權(quán)重;然后,在目標(biāo)函數(shù)中加入自適應(yīng)空間正則化項(xiàng)來緩解邊界效應(yīng)對相關(guān)濾波器的影響;最后,加入時(shí)間感知項(xiàng)使相關(guān)濾波器學(xué)習(xí)到相鄰幀之間的信息,降低算法模型在處理不準(zhǔn)確樣本時(shí)發(fā)生過擬合的風(fēng)險(xiǎn)。在OTB-2013和OTB-2015公開數(shù)據(jù)集上對所提算法進(jìn)行性能評估實(shí)驗(yàn),結(jié)果表明,所提算法在多種復(fù)雜場景下都有良好的穩(wěn)健性,在跟蹤成功率和距離精度上優(yōu)于其他對比算法,且速度達(dá)到24.2 frame/s,能滿足實(shí)時(shí)性要求。 

【文章頁數(shù)】：10 頁

【文章目錄】：
1 引 言
2 本文算法的總體框架
3 本文算法
    3.1 時(shí)間感知和自適應(yīng)空間正則化模型
    3.2 濾波器模型的優(yōu)化求解
    3.3 自適應(yīng)空間正則化權(quán)重優(yōu)化求解
    3.4 目標(biāo)定位
4 實(shí)驗(yàn)結(jié)果與分析
    4.1 實(shí)驗(yàn)環(huán)境與參數(shù)設(shè)置
    4.2 數(shù)據(jù)集和評估指標(biāo)
    4.3 定量分析
    4.4 定性分析
        1) 復(fù)雜背景:
        2) 光照變化:
        3) 遮擋:
        4) 尺度變化:
        5) 旋轉(zhuǎn)變化:
        6) 非剛性形變:
5 結(jié) 論


【參考文獻(xiàn)】：
期刊論文
[1]基于特征融合的長時(shí)目標(biāo)跟蹤算法[J]. 葛寶義,左憲章,胡永江.  光學(xué)學(xué)報(bào). 2018(11)
[2]基于核循環(huán)結(jié)構(gòu)的自適應(yīng)特征融合目標(biāo)跟蹤[J]. 趙高鵬,沈玉鵬,王建宇.  光學(xué)學(xué)報(bào). 2017(08)
[3]基于特征融合和尺度自適應(yīng)的干擾感知目標(biāo)跟蹤[J]. 李雙雙,趙高鵬,王建宇.  光學(xué)學(xué)報(bào). 2017(05)



本文編號：3692561