基于核相关滤波和Kalman预测的混合跟踪方法

作者：范文兵; 张璐璐

来源：郑州大学学报(工学版), 2023, 1-7.

DOI：10.13705/j.issn.1671-6833.2023.02.014

• 核相关滤波
• 遮挡
• 峰值旁瓣比
• 自适应模型更新
• 卡尔曼滤波

针对核相关滤波(kernelized correlation filter,KCF)跟踪算法在遮挡场景中出现跟踪性能降低甚至跟踪失败的问题,提出了一种核相关滤波和卡尔曼滤波(Kalman filter,KF)预测相结合的模型自适应抗遮挡图像目标跟踪方法。首先,考虑到传统KCF目标跟踪算法中缺少遮挡评估的问题,通过引入响应图的峰值旁瓣比来对图像目标的遮挡情况进行判断,并将遮挡类型划分为部分遮挡和严重遮挡。其次,根据遮挡严重性采取不同的模型更新策略,当目标无遮挡或者部分遮挡时,替代传统KCF跟踪算法中采用固定学习率更新模型的方法,通过自适应地调整模型学习率来更新目标外观模型,避免跟踪漂移;当目标被严重遮挡时,停止KCF模型更新。最后,应用严重遮挡之前的运动信息构建卡尔曼滤波器状态空间和位置输出模型,设计卡尔曼滤波算法预测运动目标轨迹来估计遮挡情景下的目标位置,从而解决在遮挡场景中目标跟踪失败的问题。采用OTB-2013标准数据集进行大量实验,结果表明:所提的混合跟踪算法KCF-KF的平均跟踪精度为0.796,平均跟踪成功率为0.692,与其他传统跟踪算法相比,该混合算法的跟踪精度和跟踪成功率均优于其他算法,并且在遇到目标遮挡挑战时能够取得更好的跟踪性能,有效地解决了跟踪过程中的遮挡干扰。

• 出版日期2023
• 单位郑州大学