融合深度特征与梯度特征的红外目标跟踪算法

由于红外序列图像目标与背景的对比度低,图像的边缘模糊并且灰度级动态范围小,采用何种特征描述目标成为跟踪的关键。深度特征和梯度特征是目前大部分跟踪算法采用的主要特征,然而深度特征提取的目标语义信息关注类间分类(Intra-Class),忽略类内差别,容易受到相似背景(Distractor)干扰;梯度特征作为局部区域特征不易受背景干扰,但不能适应目标的剧烈形变。基于这2种特征的互补性,提出一种融合深度特征和梯度特征的红外目标跟踪算法。深度特征与梯度特征被分别用来表征目标的语义信息与局部结构信息,增强了对任意目标的表征能力;利用不同特征建立的跟踪模型进一步提高了跟踪的鲁棒性。通过建立模型互助机制,利用深度特征跟踪模型与梯度特征跟踪模型的互补性,对目标实施了精准的定位。实验中,选取了最新的红外视频跟踪数据库(VOT-TIR2016)用来验证文中算法的有效性,结果表明：和当今主流跟踪算法相比,算法在精确度上获得了3.8％的提升,在成功率上获得了4.3％的提升,能够有效处理跟踪中相似背景与形变的影响。     

一种利用最大间隔相关滤波的鲁棒目标跟踪算法

核相关跟踪通过相关滤波定位目标在图像中的位置，这种生成式滤波器方法容易受到与目标相似背景的干扰，导致跟踪失败。针对这一问题，通过最大分类间隔增强相关滤波器的判别性，将相似背景作为负样本对模型进行更新来提高跟踪的鲁棒性。该算法首先建立了基于最大间隔相关滤波器的目标跟踪模型，通过分类判别出与目标相似的背景；然后在跟踪过程中，将获得的相似背景作为负样本并对跟踪模型进行在线更新，适应目标在运动中的各种变化，最终实现对目标的鲁棒跟踪。在OTB2013和VOT2014数据库中选取了17个典型的图像序列进行实验，同时与6种相关跟踪算法的结果进行比较。实验结果表明，该算法在精确度和成功率这2个性能指标上, 相比于次优算法，在性能上分别提升8%和2%。 不仅取得了最好的跟踪效果。而且跟踪实时性较好。