一种相关滤波中的模型自适应更新技术

针对单一更新策略难以适应复杂多变的目标跟踪环境的问题，本文在ECO (高效卷积算子)算法基础之上，提出了一种基于旁瓣比的自适应策略更新跟踪算法。该算法通过对特征响应图中峰值旁瓣比的分析，实现了跟踪模型更新策略的自适应调整。同时使用OTB-100数据集对改进后的跟踪算法进行测试，经测试后的实验结果表明，相比原来的ECO算法，该算法可提升遮挡等复杂环境下目标跟踪的精度和鲁棒性。

目标跟踪技术可以被广泛地应用到视频监控、人工智能、无人驾驶等领域， 是目前计算机视觉领域中重要的一部分[1]。目标跟踪技术是指提前向算法输入目标的具体位置以及尺寸大小，然后在后续的视频序列中估计出目标出现的具体位置以及尺寸大小[2]。由于目标追踪的过程中可能存在背景杂乱、光照变化等复杂的干扰因素，并且这些干扰因素会影响目标跟踪结果的精度，使得实际过程中难以取得理想的跟踪效果[3]。

相关滤波技术(Correlation Filter, CF)框架是近几年来目标跟踪算法领域中的主流框架[4]。基于相关滤波技术的目标跟踪算法流程主要包括：算法的初始化、目标特征提取、确定算法模型、进行目标定位、算法模板更新。如图1 所示，当第一帧图片输入以后，算法的模型开始初始化，在后续帧中算法的更新和目标的定位交替进行[5]。

Figure 1. Correlation filter tracking process 图1. 相关滤波跟踪流程 2016 年，Danelljan 等人提出了连续卷积跟踪算法(learning continuous convolution operators for visual tracking, C-COT)，该算法采用了VGGNet 的卷积特征，通过连续空间域进行差值操作，将不同分辨率的特征输入到滤波器中进行训练[6]。

2017 年， Danelljan 等人在C-COT 的基础上， 又提出了一种高效卷积性能的跟踪算法(efficient convolution operators for tracking, ECO)， 相较于原来的C-COT算法该算法减小了模型参数、压缩训练样本空间大小以及提供固定的模型更新策略[7]。减少了80%的模型参数，90%的训练样本数，80%的优化迭代次数[8]。

虽然当前的目标跟踪算法有较好的跟踪效果， 但现存的跟踪算法主要采用的都是较为单一固定的模型更