一种抗遮挡的背景感知相关滤波器

在目标跟踪的应用中，背景相似的情况下的相关滤波器算法具有较好的鲁棒性，但是容易受到遮挡等因素干扰，导致跟踪失败。为了有效跟踪目标，本文提出了一种抗遮挡的背景感知相关滤波器，该滤波器采用多特征融合、尺度跟踪和引入置信度机制来提高跟踪效果的鲁棒性。在OTB100数据集上测试表明，本文算法在尺度位置变化、相似背景、低分辨率、遮挡等情况下都表现出了较高的准确性，尤其在抗遮挡性中表现出了良好的鲁棒性。

目标跟踪已经成为智能监控系统和人体运动识别领域的关键技术之一[1]。目标跟踪技术是在监控场景中完成对目标的检测的基础上，对目标进行有效准确地跟踪，为事件检测和行动识别提供支持[2]。一般来说，目标跟踪包括以下几个步骤：目标检测、提取特征、建模、搜索目标、模型更新[3]。目标跟踪的基本任务就是在目标检测的基础上，根据目标的初始位置来估计目标的后续状态进行跟踪。在近年来， 目标跟踪技术已经取得了巨大进展，但是在跟踪过程中，存在遮挡、背景模糊等复杂情况影响跟踪结果， 因此实现目标的有效、稳定跟踪依旧是一项极具挑战性的任务。

传统目标跟踪算法的研究主要集中于使用均值偏移[4]、稀疏表示[5]、粒子滤波[6]技术上，近年来目标跟踪算法已经逐渐转移到在相关滤波和深度学习的方向上发展。

2010年提出了Mosse目标跟踪算法[7]， 该算法奠定了基于相关滤波的目标跟踪算法的基础理论：通过训练滤波器模板和上一帧的采样模板得出输出响应，响应最大的位置即为这一帧的目标位置。由于基于相关滤波的跟踪算法在应对目标的光照、形态、尺度变化时都有较好的鲁棒性且能实现极快的跟踪速度，基于这样的滤波器的目标跟踪算法在接下来有了快速发展。CSK 算法[8]则在此基础上改进了采样样本冗余问题，并加速了计算滤波器的过程。

在此基础上，KCF 算法[9]又对其进行了完善，并采用了HOG (Histogram of Oriented Gradients) [10]特征， 使得跟踪拥有更好的效果。此后DSST 算法[11]又扩展了尺度跟踪，SRDCF [12]算法和CFLB [13]算法则是扩大了有效搜索区域，与此同时对滤波模板的边界加大惩罚，对滤波模板增加约束来增强跟踪器的鲁棒性。在CFLB 的基础上，BACF (Background-Aware Correlation Filters) [14]引入HOG 特征，使得跟踪效果更好。虽然BACF 算法通过对整个图像的剪裁进行采样，获得了高质量的样本，大大提高了跟踪精度， 但是不能充分表达目标的视觉信息。

同时， 算法特征选取较为单一的HOG 特征， 对目标的视觉特征表征能力有限。除此之外，由于该算法对滤波器的更新没有很好地判别，当噪声过大时容易造成误差积累。

本文提出一种更加有效的基于背景感知相关滤波器的目标跟踪滤波器，融合了CN (Color Names)和HOG 特征，结合了CN 特征对变形鲁棒和HOG 特征对光照鲁棒的特点，采用了多特征融合策略来改善BACF 对视觉特征的表达不充分问题。同时采用DSST 的尺度更新策略，位置和尺度通过两个模型分别更新，减少计算量。此外，本文引入一种新的置信度标准来处理遮挡问题。只有当置信度指标符合要求时，才更新滤波器模型，避免其在被遮挡的情况下被污染。

2. 背景感知相关滤波器 在视觉目标跟踪领域，基于相关滤波的跟踪方法在速度上表现出了比较优越的性能。相关滤波方法的最大优势在于能将时域相关转换成频率的乘积计算。但是，基于相关滤波的目标跟踪器一个根本缺点是目标的背景没有跟随滤波器不断建模，这可能导致跟踪效果的不鲁棒，也就是说理想的跟踪性能就达