融合多核的目标分块跟踪

目的：准确性和鲁棒性是视觉跟踪的主要挑战，尤其是在遮挡和目标形变的情况下。对目标进行分块跟踪能够保持目标的空间信息，基于此，本文提出一种融合多核的目标分块跟踪方法。方法：算法采用垂直投影法将目标分成若干合适的子块，针对相应子块，选择目标区域内的多个不同位置构建多个核函数加权直方图，以Bhattacharya系数表征目标模版和候选目标模版之间的相似性度量，并进行均值迭代确定目标最终位置。在跟踪过程中，利用分量的反投影运算区分目标发生形变或遮挡，并对目标模板和子块权重进行实时更新。结果：对多个视频序列进行了实验测试，实验表明，该方法几乎不受光照影响，并且在目标大面积遮挡的情况下仍能实现很好的跟踪。结论：通过将分块和多核融合结合起来进行跟踪，不仅对光照不敏感，而且在处理目标大面积遮挡方面鲁棒性很强，利于后续论题的研究。

运动目标跟踪是计算机视觉领域的一项重要研究课题，其中对形变、光照和遮挡等问题的有效处理一直是影响跟踪效果的关键。近年来研究者已经提出了许多有效的目标跟踪算法，而Mean Shift 跟踪算法[1]以其低复杂性，鲁棒性和不变性的优点被广泛应用于目标跟踪领域。但是，由于其使用颜色和直方图特征进行目标建模，导致目标空间信息大量丢失，且受到遮挡的限制使得跟踪准确性降低。

为此，研究者提出了许多方法。针对空间信息缺失问题，文献[2] [3]使用一种新的相似性度量来代替传统的巴氏度量，通过将空间均值和像素位置的协方差等加入到相似性度量中来融合空间信息。文献[4]引入了多内核协作机制，使用预先学习子空间模型来复现复杂运动。在处理遮挡问题方面，基于分块的方法[5]-[10]被广泛使用。文献[5]提出了分块跟踪方法，通过将目标分成多个片段来解释遮挡和目标姿势的变化，但由于使用穷举搜索来反复选择分块，增加了计算复杂度。文献[6] [7]使用多个独立的均值漂移跟踪器进行随机选择或预先指定分块，并跟踪每一个跟踪器的输出组合来获得最终跟踪结果。

但是，算法没有考虑权重更新问题，且仅利用相似度最大的子块位置来定位目标，容易发生跟踪漂移。文献[8]采用一种基于GrabCut 算法的分块方法，并通过将多个子块进行融合机制来实现鲁棒跟踪。

但是，算法未考虑在遮挡情况下子块权重引起的跟漂移问题。文献[9]将每一个子块作为核跟踪器，使用均值漂移对各块相似性的加权和进行推导，且在跟踪过程中，实时更新目标模版和子块权重，很好的解决了漂移问题，但该法不适宜在目标与背景颜色相近的情况下使用。

文献[10]选择目标的颜色特征， 通过将分块、均值漂移和卡尔曼滤波融合来实现遮挡情况下的多目标跟踪，但是无法自适应的处理目标尺度和方向问题，而且也没有考虑光照的变化。

本文提出一种融合多核的目标分块跟踪方法，该方法采用基于颜色形似度的方法进行前景提取，以垂直投影法来进行目标分块。对相应子块，选择目标区域内的多个不同位置构造多个非对称核函数，分别进行均值漂移跟踪。利用分量的反投影运算来检测遮挡是否发生，并在跟踪过程实时更新目标模版和