王慧炳,左云波,2,劉重陽

(1.北京信息科技大學(xué) 機(jī)電工程學(xué)院,北京 100192;2.北京信息科技大學(xué) 機(jī)電系統(tǒng)測(cè)控北京市重點(diǎn)實(shí)驗(yàn)室,北京 100192)

0 引言

目標(biāo)跟蹤是計(jì)算機(jī)視覺技術(shù)中的研究熱點(diǎn),在視頻監(jiān)控、視覺伺服、人機(jī)交互等領(lǐng)域有著廣泛應(yīng)用[1-3]。目標(biāo)跟蹤的目的是在給定要跟蹤的圖像序列的情況下,對(duì)視頻幀中目標(biāo)進(jìn)行特征提取、建模,從而在后續(xù)幀中對(duì)目標(biāo)可能存在的位置進(jìn)行估計(jì)。盡管目標(biāo)跟蹤經(jīng)過多年研究已經(jīng)取得了很多的突破性進(jìn)展,但是它仍是一個(gè)極具挑戰(zhàn)性的課題。對(duì)目標(biāo)跟蹤算法的性能造成影響的因素有很多,主要有遮擋、目標(biāo)尺度變化、背景復(fù)雜、光照變化等。

近年來,出現(xiàn)了大量的跟蹤算法,其中相關(guān)濾波目標(biāo)跟蹤算法因其跟蹤速度快、穩(wěn)健性好,得到了廣泛的應(yīng)用。2010年,Bolme等[4]將相關(guān)濾波算法應(yīng)用在跟蹤領(lǐng)域,提出了最小輸出平方誤差和 (minimum output sum of squared error,MOSSE)濾波器算法,這是目標(biāo)跟蹤發(fā)展的一次重大突破。Henriquse等[5]進(jìn)一步對(duì)相關(guān)濾波算法進(jìn)行了改進(jìn),提出了核化跟蹤的循環(huán)結(jié)構(gòu) (circulant structure of tracking with kernels,CSK)算法,該算法通過循環(huán)位移獲得大量樣本,并利用傅里葉變換大幅度提高了算法的性能。Henriques等[6]改進(jìn)了CSK算法,使用了多通道的方向梯度直方圖(histogram of oriented gradient,HOG)特征,提出了具有更好性能的判別分類器的核相關(guān)濾波(kernel correlation filter,KCF)目標(biāo)跟蹤算法。在KCF算法基礎(chǔ)上,Danelljan等[7]提出了具有目標(biāo)多尺度自適應(yīng)策略的判別尺寸空間跟蹤(discriminative scale space tracking,DSST)算法,以及Li等[8]提出的具有優(yōu)良尺度策略的尺度自適應(yīng)多特征(scale adaptive multiple feature,SAMF)算法,都有很穩(wěn)健的效果。同時(shí)期Danelljan等[9]將顏色屬性擴(kuò)展到CSK跟蹤器中,提出顏色(color name,CN)特征跟蹤算法,極大地提高了跟蹤算法的魯棒性。隨后,Ma等[10]通過加入檢測(cè)機(jī)制,提出了長(zhǎng)時(shí)相關(guān)性跟蹤(long-term correlation tracking,LCT)算法,在目標(biāo)遮擋和長(zhǎng)時(shí)間跟蹤過程下都有優(yōu)良的性能。近幾年,邱澤敏[11]提出的核相關(guān)濾波融合稀疏表示的目標(biāo)跟蹤,厙向陽等[12]提出的基于稀疏表示的相關(guān)濾波目標(biāo)跟蹤算法,以及黃月平等[13]提出的基于自適應(yīng)標(biāo)簽和稀疏學(xué)習(xí)相關(guān)濾波的實(shí)時(shí)紅外單目標(biāo)跟蹤算法,改進(jìn)了局部圖像塊的稀疏表示,短時(shí)目標(biāo)跟蹤效果好,但無法有效應(yīng)對(duì)遭遇長(zhǎng)時(shí)嚴(yán)重遮擋或者短暫出視野的目標(biāo)。

Henriques等提出的核相關(guān)濾波算法KCF通過引入核函數(shù),實(shí)現(xiàn)了快速計(jì)算核函數(shù)相關(guān)性,從而能夠快速訓(xùn)練和快速檢測(cè)。KCF目標(biāo)跟蹤算法計(jì)算量小,跟蹤效果好,魯棒性優(yōu)秀,故本研究對(duì)KCF算法進(jìn)行改進(jìn)。針對(duì)KCF算法在跟蹤過程中存在遮擋和目標(biāo)尺度變化跟蹤性能弱的問題,本文通過將HOG特征和多尺度塊局部二值模式(multiscale block local binary pattern,MB-LBP)特征加權(quán)融合,并將所得特征再次與CN特征進(jìn)行二次加權(quán)融合的方式來增強(qiáng)特征表達(dá)能力;增加尺度濾波器用于目標(biāo)尺度估計(jì);利用峰值旁瓣比和目標(biāo)重定位算法對(duì)被遮擋目標(biāo)進(jìn)行判定和檢測(cè)。

1 相關(guān)濾波跟蹤算法

在整個(gè)相關(guān)濾波跟蹤過程中,由于跟蹤方案在頻域執(zhí)行,不僅降低了運(yùn)算成本,而且提高了跟蹤速率。相關(guān)濾波器算法具體流程:首先輸入視頻幀,獲取目標(biāo)在首幀的圖像塊,并且訓(xùn)練相關(guān)濾波器,用于后續(xù)目標(biāo)檢測(cè);然后對(duì)圖像塊進(jìn)行特征提取,使用余弦窗口算法對(duì)圖像邊緣進(jìn)行平滑處理;隨后利用離散傅里葉變換(discrete Fourier transform,DFT)對(duì)其進(jìn)行相關(guān)濾波操作;最后利用傅里葉逆變換獲得目標(biāo)位置的響應(yīng)圖,響應(yīng)圖得分最大位置即為跟蹤目標(biāo)在當(dāng)前幀的位置,并再次對(duì)新目標(biāo)訓(xùn)練、更新相關(guān)濾波器。

1.1 相關(guān)濾波理論

(1)

式中:?表示卷積;⊙表示矩陣間的乘法運(yùn)算;*表示復(fù)共軛;F-1表示傅里葉逆變換。由式(1)可得輸入x和相關(guān)濾波器h之間的置信地圖,相關(guān)濾波器選擇目標(biāo)周圍置信度最大的位置進(jìn)行更新。假設(shè)y為期望的相關(guān)輸出,k為目標(biāo)的新樣本,為了訓(xùn)練濾波器,相關(guān)濾波器h需要滿足

(2)

因此可得

(3)

1.2 核相關(guān)濾波器

KCF算法將求解轉(zhuǎn)化為嶺回歸函數(shù)的問題,其樣本訓(xùn)練過程本質(zhì)上是一個(gè)正則化最小二乘[14]問題。引入核函數(shù)將算法預(yù)測(cè)的目標(biāo)位置和模型進(jìn)行匹配,響應(yīng)最大的位置便判斷為目標(biāo)所在位置。

1)分類器訓(xùn)練。設(shè)一組訓(xùn)練樣本{xi,yi},其中xi和yi分別是樣本和訓(xùn)練樣本標(biāo)簽,分類器訓(xùn)練的目標(biāo)是找到一個(gè)函數(shù)f(x)=wTx,使得正則化風(fēng)險(xiǎn)函數(shù)的值最小,即

(4)

式中:w為分類器參數(shù);λ為正則化參數(shù),用來防止過擬合現(xiàn)象;φ(xi)是Hilbert空間的映射。利用核函數(shù)方法將w轉(zhuǎn)化為線性組合的形式:

(5)

式中:α為w的對(duì)偶空間變量,即濾波器系數(shù)。利用核函數(shù)k(x,x′)=〈φ(x),φ(x′)〉可以解決高維特征矩陣點(diǎn)積計(jì)算問題,分類器可進(jìn)一步轉(zhuǎn)化為

(6)

(7)

2)檢測(cè)。訓(xùn)練階段完成以后,對(duì)于第t+1幀,將算法預(yù)測(cè)的目標(biāo)位置和模型進(jìn)行匹配,響應(yīng)最大的位置便判斷為目標(biāo)所在位置。得到的響應(yīng)圖表示為

(8)

3)更新。由于目標(biāo)外觀在運(yùn)動(dòng)過程發(fā)生變化,引入雙線性插值的方式對(duì)濾波器系數(shù)α和目標(biāo)外觀模型x輔助更新,具體如下:

(9)

(10)

式中:γ為學(xué)習(xí)率;t為幀數(shù)。

2 改進(jìn)的核相關(guān)濾波算法

KCF目標(biāo)跟蹤算法使用單一的HOG特征,在背景雜亂、目標(biāo)運(yùn)動(dòng)過快的情況下,魯棒性較差。其次,因其檢測(cè)尺度固定,每一幀都進(jìn)行模型更新,在背景雜亂、目標(biāo)遮擋等情況下,模型容易受到污染,導(dǎo)致跟蹤漂移。針對(duì)其不足,本文擬通過多特征融合,引入尺度自適應(yīng),通過遮擋判斷,對(duì)跟蹤目標(biāo)進(jìn)行重定位來提高跟蹤算法的魯棒性。

2.1 特征融合

KCF算法使用HOG特征提取目標(biāo)特征時(shí),使用灰度處理會(huì)損失圖像顏色的表征能力。另外,因HOG特征主要獲取的是圖像的局部信息,在背景雜亂、運(yùn)動(dòng)過快場(chǎng)景下,跟蹤效果急劇下降。近年來,局部二值模式(LBP)[15]特征開始廣泛應(yīng)運(yùn)于目標(biāo)檢測(cè)和跟蹤,但是LBP僅能表達(dá)局部的紋理特征。Liao等[16]在此基礎(chǔ)上提出的MB-LBP特征彌補(bǔ)了傳統(tǒng)算法的不足,圖像的宏觀特征得到了很好的表達(dá),且準(zhǔn)確率高、計(jì)算簡(jiǎn)單。但是MB-LBP會(huì)忽略一些局部的信息。MB-LBP特征良好的宏觀表達(dá)能力正好可以和HOG特征互補(bǔ),故本文提出將兩種特征通過線性加權(quán)進(jìn)行融合。融合過程為

fhm=(1-δ)fhog+δfmb

(11)

式中:fhog為HOG特征;fmb為MB-LBP特征;δ為HOG特征和MB-LBP特征融合過程中的權(quán)重系數(shù),改進(jìn)的算法中取δ=0.5;fhm為特征融合后的特征。

HOG特征和MB-LBP特征對(duì)輸入的圖像都進(jìn)行了灰度處理,損失了對(duì)目標(biāo)顏色的表達(dá)能力,并且在快速移動(dòng)、運(yùn)動(dòng)模糊的情況下,魯棒性較差[17]。將原始的RGB的3通道圖像投影到11個(gè)顏色通道,可以得到CN特征。但是直接使用CN特征,會(huì)加大算法的運(yùn)算量,并且對(duì)于區(qū)分目標(biāo)和背景并非11個(gè)顏色通道都有意義。因此,本文將11個(gè)顏色通道的CN特征利用主成分分析(principle component analysis,PCA)自適應(yīng)降維至二維,實(shí)時(shí)選擇比較顯著的顏色特征來描述目標(biāo),將計(jì)算量極大的CN特征簡(jiǎn)單化。CN特征不僅對(duì)目標(biāo)的顏色信息有很好的全局表達(dá),對(duì)于運(yùn)動(dòng)模糊和光照變化能夠很好適應(yīng)。HOG特征和MB-LBP特征融合以后的特征對(duì)局部紋理以及圖像整體輪廓都有很強(qiáng)的表達(dá)能力,融合CN特征可以進(jìn)一步提高算法對(duì)目標(biāo)發(fā)生形變和快速移動(dòng)時(shí)的表達(dá)能力。線性加權(quán)融合后的特征表示為

fhmc=(1-η)fhm+ηfcn

(12)

式中:fcn為CN特征;η為融合權(quán)重系數(shù),改進(jìn)的算法中取η=0.3;fhmc為最終融合的特征。

2.2 尺度自適應(yīng)

傳統(tǒng)的KCF方法,因?yàn)槠錂z測(cè)尺度固定,當(dāng)目標(biāo)尺寸發(fā)生變化時(shí),模型可能會(huì)學(xué)習(xí)到更多背景特征,受到污染,從而導(dǎo)致跟蹤漂移,甚至丟失目標(biāo)。針對(duì)以上問題,本文采用DSST算法中的精準(zhǔn)尺度估計(jì)方法,即三維的尺度相關(guān)濾波器。濾波器的大小為M×N×S,其中M和N分別表示濾波器的高度和寬度,S表示尺度的數(shù)量。

圖1為尺度濾波器,其中f是以前一幀確定的目標(biāo)位置為中心,取得一系列不同尺度的圖像塊的特征;h是每次迭代更新模板;g是通過采用三維高斯函數(shù)構(gòu)建三維的濾波響應(yīng)輸出。在目標(biāo)跟蹤過程的當(dāng)前幀中,可以獲取S個(gè)尺度上的特征組成一個(gè)M×N×S的特征金字塔z。根據(jù)所獲得的響應(yīng)輸出g所在的位置即可確定估計(jì)的目標(biāo)尺度信息。

圖1 尺度濾波器Fig.1 Scale filter

本文算法先用位置濾波器確定目標(biāo)所在的位置,然后再根據(jù)尺度濾波器確定目標(biāo)變化后的尺度信息。確定當(dāng)前幀預(yù)測(cè)的目標(biāo)位置后,獲取其中心點(diǎn),并以該中心點(diǎn)為基準(zhǔn)通過目標(biāo)尺度變化金字塔計(jì)算目標(biāo)尺度,以新預(yù)測(cè)的目標(biāo)位置的中心點(diǎn)為基準(zhǔn)獲取目標(biāo)尺度變化金字塔提供的尺度,尺度相關(guān)濾波器的響應(yīng)圖最大的位置即為目標(biāo)估計(jì)尺度[18]。記當(dāng)前幀的目標(biāo)尺寸大小為P×R,尺度為S,我們將所獲取的目標(biāo)尺度金字塔表示為anP×anR,并將其標(biāo)記為Jn。其中a表示一個(gè)尺度因子,取a=1.03。s為尺度濾波樣本個(gè)數(shù),取s=34。n的取值范圍如下:

(13)

2.3 遮擋判定

在目標(biāo)跟蹤過程中,常常會(huì)發(fā)生目標(biāo)遮擋的情況,從而導(dǎo)致模型被污染,出現(xiàn)跟蹤漂移。甚至目標(biāo)嚴(yán)重遮擋或者長(zhǎng)時(shí)間被遮擋會(huì)直接導(dǎo)致跟蹤失敗。目標(biāo)遮擋一直是目標(biāo)跟蹤的一大難點(diǎn)。判斷目標(biāo)是否被遮擋,從而采取不同的跟蹤策略已經(jīng)成為一種有效的手段。通過對(duì)目標(biāo)跟蹤過程中響應(yīng)圖的對(duì)比發(fā)現(xiàn),當(dāng)對(duì)目標(biāo)進(jìn)行跟蹤的效果良好時(shí),得到的高斯分布圖具有很明顯的穩(wěn)定峰值,但是目標(biāo)被遮擋時(shí),所得到的高斯分布圖會(huì)出現(xiàn)多個(gè)相似峰值,從而導(dǎo)致目標(biāo)跟蹤失敗。

針對(duì)以上問題,本文通過計(jì)算峰值旁瓣比 (peak sidelobe ratio,PSR)[19]來對(duì)目標(biāo)是否被遮擋進(jìn)行判斷。峰值旁瓣比主要是對(duì)峰值強(qiáng)度的測(cè)量。為了計(jì)算PSR,相關(guān)輸出被分成作為最大值的峰值和旁瓣。通過設(shè)定一個(gè)閾值T,將計(jì)算得到的PSR值與設(shè)定閾值T進(jìn)行比較,PSR值計(jì)算如下:

(14)

式中:P為PSR值;Fmax表示峰值;γ和β表示峰值旁瓣的平均值和方差。P>T時(shí)跟蹤成功,且P越大表示峰值越明顯,跟蹤效果越好;當(dāng)P

2.4 目標(biāo)重定位

當(dāng)跟蹤的對(duì)象被遮擋或者受到干擾時(shí),干擾物的特征會(huì)污染跟蹤模型,出現(xiàn)跟蹤漂移,甚至目標(biāo)丟失。因此,經(jīng)過遮擋判定后,如果P小于設(shè)定的閾值T時(shí),需要進(jìn)行目標(biāo)重定位并且對(duì)此幀不進(jìn)行模型更新。獲取前兩幀所跟蹤對(duì)象的中心點(diǎn),將所獲得的兩個(gè)中心點(diǎn)進(jìn)行線性擬合,從而預(yù)測(cè)出目標(biāo)被遮擋后可能出現(xiàn)的位置,即可進(jìn)行目標(biāo)重定位,并且保留上一次更新的模型,對(duì)下一幀再進(jìn)行相同步驟的目標(biāo)跟蹤。

本文的目標(biāo)重定位算法中,以遮擋前兩幀的目標(biāo)所在位置為基準(zhǔn),獲得跟蹤對(duì)象的中心位置,通過將所得的兩個(gè)點(diǎn)進(jìn)行線性擬合,判斷下一幀目標(biāo)可能出現(xiàn)的位置,并且對(duì)其所在區(qū)域進(jìn)行跟蹤算法操作,即可得到相應(yīng)峰值最高的區(qū)域,將其作為目標(biāo)重定位選取的最終位置。公式如下:

y(x)=ax+b

(15)

(16)

(17)

式中:(xi-1,yi-1),(xi,yi)為前兩幀目標(biāo)中心位置;(xi+1,yi+1)為預(yù)測(cè)目標(biāo)可能出現(xiàn)的位置;t為當(dāng)前幀獲取的時(shí)間。選取相應(yīng)峰值最高的區(qū)域,將其作為目標(biāo)重定位的最終位置后,再次進(jìn)行遮擋判定,滿足P>T時(shí),則認(rèn)為跟蹤成功,否則認(rèn)為當(dāng)前幀跟蹤失敗。此時(shí),調(diào)整檢測(cè)框尺寸為原先的υ倍,在新的預(yù)測(cè)區(qū)域內(nèi)對(duì)目標(biāo)進(jìn)行重定位,這里取υ為1.5。

2.5 改進(jìn)的核相關(guān)濾波算法步驟

1)初始化。獲取跟蹤目標(biāo)的初始位置和尺度,并對(duì)第一幀目標(biāo)位置所在的區(qū)域進(jìn)行循環(huán)采樣,獲得用于訓(xùn)練的樣本。

2)特征提取。分別提取目標(biāo)的HOG特征、MB-LBP特征和CN特征,并根據(jù)本文算法進(jìn)行融合。用本文算法多特征融合后獲得的特征進(jìn)行訓(xùn)練,得到位置濾波器,用提取到的HOG特征進(jìn)行訓(xùn)練,得到所需的尺度濾波器。

3)遮擋判定。根據(jù)下一幀目標(biāo)的預(yù)測(cè)位置,獲得相關(guān)響應(yīng)值,計(jì)算峰值旁瓣比,P>T時(shí)跟蹤成功,P

4)目標(biāo)重定位。如果在第三步判定目標(biāo)遮擋或者丟失,進(jìn)行目標(biāo)重定位,否則,不進(jìn)行本步驟并進(jìn)行5)。

5)模型更新。目標(biāo)定位后,利用尺度金字塔和濾波器對(duì)目標(biāo)進(jìn)行尺度估計(jì),隨后對(duì)位置和尺度濾波器分別進(jìn)行更新。

6)跟蹤結(jié)果可視化。將跟蹤窗口可視化呈現(xiàn),如果不是最后一幀,繼續(xù)輸入下一幀圖像,重復(fù)步驟2)～5)。本文改進(jìn)算法流程如圖2所示。

圖2 整體算法流程Fig.2 Overall algorithm flow

3 實(shí)驗(yàn)與分析

為了驗(yàn)證本文目標(biāo)跟蹤算法的有效性,本文在公開數(shù)據(jù)集OTB100上與主流目標(biāo)跟蹤算法CSK、KCF、DSST、SAMF進(jìn)行了對(duì)比實(shí)驗(yàn)。算法之間的主要區(qū)別見表1。測(cè)試數(shù)據(jù)集包括目標(biāo)遮擋、目標(biāo)尺度變化、光照變化、快速移動(dòng)等復(fù)雜場(chǎng)景。

表1 各算法主要特征Table 1 Main features of each algorithm

3.1 實(shí)驗(yàn)環(huán)境與參數(shù)

本文實(shí)驗(yàn)運(yùn)行環(huán)境為Matlab R2015b,Window10操作系統(tǒng)64位,實(shí)驗(yàn)所用電腦配置為Intel(R) Core(TM) i5-5200U CPU @ 2.20 GHz 2.19 GHz,8 GB內(nèi)存。CSK、KCF、DSST、SAMF跟蹤算法所有參數(shù)均為默認(rèn)。

實(shí)驗(yàn)中KCF算法的參數(shù)保持不變,正則化參數(shù)為0.01,學(xué)習(xí)率為0.02,CN為2維,灰度特征為1維;在一維尺度濾波器中,尺度因子的參數(shù)設(shè)置為1.03。

3.2 定性分析

通過選取3組視頻序列,給出了5種算法的跟蹤效果對(duì)比圖,如圖3所示。不同跟蹤算法采用不同顏色的矩形框標(biāo)出。

圖3(a)為Coke視頻序列,主要存在快速移動(dòng)、旋轉(zhuǎn)、光照變化、遮擋,從第28幀開始CSK、KCF發(fā)生漂移,在第79幀KCF重新找到了目標(biāo),從第100幀可以看到,由于目標(biāo)發(fā)生旋轉(zhuǎn),只有SAMF算法和本文算法可以準(zhǔn)確跟蹤,從第276幀可以看到,目標(biāo)物被遮擋后,KCF算法丟失目標(biāo),SAMF算法和本文算法仍然可以保持較好的跟蹤性能。圖3(b)的Walking視頻序列主要發(fā)生了目標(biāo)尺度變化和遮擋,在第171幀中目標(biāo)尺度已經(jīng)發(fā)生了變化,CSK、KCF由于缺乏尺度更新機(jī)制,跟蹤模型受到了背景干擾,在第325幀中可以看到,由于目標(biāo)物受到遮擋,SAMF算法和本文跟蹤算法跟蹤效果較好,其余算法都跟蹤失敗。圖3(c)的Jogging視頻序列發(fā)生了目標(biāo)遮擋,除了本文算法以外,其他算法都無法跟蹤被遮擋的目標(biāo),而本文算法可以很好地應(yīng)對(duì)遮擋干擾的影響,能夠更加精確地跟蹤被遮擋目標(biāo)。

圖3 CSK、KCF、DSST、SAMF、本文跟蹤算法的對(duì)比結(jié)果Fig.3 Comparison results of CSK,KCF,DSST,SAMF and OURS tracking algorithms

3.3 定量分析

本文采用成功率 (success rate)和精確度 (distance precision,DP)2個(gè)評(píng)價(jià)指標(biāo),對(duì)5個(gè)跟蹤器進(jìn)行定量評(píng)價(jià)。其中,獲得成功率,首先需要計(jì)算重疊率,重疊率是目標(biāo)預(yù)測(cè)矩形面積和目標(biāo)真實(shí)矩形面積的交集和并集之比;重疊率大于閾值視為跟蹤成功,序列中跟蹤成功的幀數(shù)占總幀數(shù)的比例定義為跟蹤成功率。各閾值下的成功率如圖4(a)所示。DP是目標(biāo)跟蹤中心到目標(biāo)真實(shí)中心的距離未達(dá)到一定閾值的幀的比例,DP越大,算法跟蹤效果越好,如圖4(b)所示。從圖4(a)成功率曲線圖中可以看到,本文算法成功率明顯高于CSK、KCF、DSST、SAMF算法,和SAMF算法較為接近,并且從數(shù)據(jù)可以看出,由于使用了多特征融合,本文算法的成功率值主要在(0.4,0.9)之間,整體算法性能優(yōu)于其他4種算法。從圖4(b)中心定位誤差精度圖可以看出,本文算法精確度略高于SAMF算法,且明顯優(yōu)于其他算法。以上實(shí)驗(yàn)數(shù)據(jù)表明,本文算法以KCF算法為基本框架進(jìn)行改進(jìn),通過多特征融合增強(qiáng)特征的表達(dá)能力,并且增加一個(gè)尺度濾波器,采用峰值旁瓣比作為遮擋評(píng)判,采用目標(biāo)重定位算法重新檢查被遮擋目標(biāo)的位置,有效提高跟蹤算法的整體性能。

圖4 各算法的成功率和精確度對(duì)比Fig.4 Comparison of the success rate and distance precision of each algorithm

4 結(jié)束語

針對(duì)傳統(tǒng)KCF目標(biāo)跟蹤算法,由于僅使用單一的HOG特征,導(dǎo)致在背景雜亂、目標(biāo)運(yùn)動(dòng)過快的情況下,魯棒性較差的問題,本文算法提出了多特征融合策略。HOG特征和MB-LBP特征融合后的特征對(duì)局部紋理以及圖像整體輪廓都有很強(qiáng)的表達(dá)能力,再次融合CN特征可以進(jìn)一步提高算法對(duì)目標(biāo)發(fā)生形變和快速移動(dòng)時(shí)的表達(dá)能力。針對(duì)傳統(tǒng)的KCF方法由于固定的跟蹤尺度和缺少解決遮擋問題策略,在目標(biāo)發(fā)生目標(biāo)尺度變化和遮擋時(shí),會(huì)出現(xiàn)跟蹤漂移,甚至跟蹤失敗的問題,本文算法加入尺度濾波器,并且針對(duì)遮擋問題增加了遮擋判定。針對(duì)目標(biāo)重定位環(huán)節(jié),提出了一種簡(jiǎn)單有效的目標(biāo)重定位策略,在目標(biāo)被遮擋的情況下,能夠保持較好的跟蹤性能。