基于Radon变换数据外观建模的目标跟踪

本文主要针对复杂环境下目标跟踪中一个重要挑战——算法运行的实时性，研究一种新的基于Radon变换数据的目标外观模型，并将其引入到相关滤波框架中进行滤波模板训练，并提出了一种基于相关滤波的快速跟踪算法及目标尺度更新方案。实验结果表明，本文提出的跟踪算法相较于当前主流的跟踪算法具有更好的鲁棒性及实时性，为目标检测与跟踪等相关研究提供了新的技术途径。本文所提出的跟踪算法也可以视为一种框架，投影的对象不仅仅可以是原始像素的灰度，还可以是多通道颜色值、HOG等其它属性。

目前，相关滤波(Correlation Filter)原理被广泛地应用于信号处理、图像检测与视频跟踪等领域。基于相关滤波器实现目标跟踪的基本思想是对输入图像进行训练并得到一个滤波模板(也即滤波器)， 利用该滤波模板对下一帧输入图像进行响应输出，最大响应值所对应的位置就是目标的预测位置。

2010 年，Bolme 等人[1]构造了一种最小均方误差和输出的相关滤波器并将其首次应用于目标跟踪。

在此基础之上，很多学者对该算法的改进相继出现，跟踪的效果越来越好。CSK [2]算法在MOSSE 的基础上引入了循环矩阵和核的概念。KCF [3]与CN [4]算法在此基础上对多通道特征分别进行改进。KCF比DCF 跟踪效果略好，但速度比线性核要慢很多。2021 年，Safaei [5]和Zhong [6]将分块采样方法引入相关滤波目标跟踪算法中，提出自适应像素级分块的跟踪算法。Zhang 等[7]提出一种基于块–核相关滤波的目标跟踪算法。

基于相关滤波器的跟踪方法最大的优势是速度快，速度快的原因在于利用快速傅里叶变换[8]来代替卷积计算。

STC [9]方法提出一种新的相关滤波跟踪框架， 在该框架中引入了时空上下文信息。

但由于STC的尺度更新策略仅依赖于响应输出的最大值，对一些跟踪场合，跟踪效果并不鲁棒。为更好地解决尺度更新问题，文献[10]和[11]分别提出了DSST 与SAMF 跟踪算法并提出了各自的尺度更新方案。文献[12]在KCF 的基础上为减轻其循环移位时的边界效应问题提出了SRDCF 算法，但该算法运行速度很慢，无法达到实时性。

以上基于相关滤波的跟踪算法，虽然跟踪效果越来越好，但速度却越来越慢，本文提出了以Radon变换数据作为特征对目标进行外观建模的一种新的相关滤波目标跟踪算法，能够实现快速且鲁棒的跟踪效果。该算法通过训练目标图像的Radon 变换数据作为相关滤波模板。

2. 基于Radon 变换数据外观建模的相关滤波目标跟踪算法 2.1. 基于Radon 变换数据的滤波训练 考虑一个跟踪场景， 第k 帧时， 可以将跟踪目标及周围一定区域的图像进行Radon 变换(如图1 所示)， 到k + 1 帧时，可在同样位置的区域进行Radon 变换，如果相邻两帧目标状态变化很小而视为近似一致， 那么相邻两帧的Radon 变换的结果也非常相近。显然，k + 1 帧目标的中心在k 帧图像中或保持不变或仅发生微小的偏移。