使用自适应相关滤波器的视觉目标跟踪

针对复杂背景下红外图像中低信噪比弱小目标实时检测问题，提出一种基于相关滤波器的红外弱小目标检测算法。该算法将红外目标检测转化为模式分类问题，在离线训练阶段，利用二维高斯模型构造红外小目标训练集，在此基础上训练得到对目标背景具有区分能力的相关滤波器，在线检测阶段，利用滤波器对图像分块进行滤波操作，目标和背景的滤波响应有着显著的差异，最后生成整幅图像的滤波响应置信图以此来判断图像中是否包含目标及其具体位置。在单帧单目标图像、序列图像多目标检测实验结果表明，与经典检测算法相比，所提方法不仅具有更高检测性能，有效降低了虚警概率，而且具有较好的实时性，适用于复杂背景条件下弱小目标的实时检测。

判别式分类器是现代跟踪方法中的一个核心组成部分，其在线学习一个二值分类器以在每一 帧中区分目标与背景，充分利用机器学习中丰宫的学习算法，取得了许多突破。相关滤波器已成功应用到目标检测和识别中，其由于计算效率高，近年来作为一种判别式跟踪方法被应用到视觉跟踪领域，取得了很好的效果

针对多目标跟踪算法中经常会面临的各种挑战, 如相机的突然运动、遮挡、误检和外观相似等情况, 提出一种基于核相关滤波(KCF)的分步关联框架。首先, 该算法采用基于卷积神经网络的目标检测器检测目标, 获得准确的检测结果。然后, 为了更好地预测目标的运动状态, 通过加权融合三种特征的跟踪结果, 为每个目标建立一个基于KCF算法的快速跟踪器。此外, 为了有效地降低碎片化轨迹的数量, 该算法通过跟踪片的置信度分步关联轨迹, 并在遮挡的情况下, 利用在线随机蕨重新检测目标。最后利用关联成功的检测信息自适应更新KCF算法中的尺度。实验结果表明, 与现有算法相比, 所提算法能够在各种复杂的条件下, 表现出强大和高效的跟踪性能。

针对核相关滤波(KCF)算法在每一帧都更新的策略使其不能有效处理目标快速运动及干扰的问题, 提出了一种基于增强阈值更新的核相关目标跟踪方法。其在平均峰值相关能量(APCE)的基础上, 采用将APCE阈值与APCE梯度阈值相结合的方法来判断跟踪结果的可靠性, 以决定模型是否更新。其中将APCE阈值反向加强, APCE梯度阈值正向加强, 当APCE和APCE梯度都高于各自阈值时更新, 否则停止更新。通过定量及定性实验表明, 相对于KCF算法对目标快速运动及干扰等问题的处理, 该算法更加有效, 提出的以梯度检测跟踪性能及阈值增强的思想对跟踪算法的设计有很好的参考价值。

行业分类-物理装置-基于判别式尺度空间跟踪算法的相关滤波自适应方法.zip

行业分类-物理装置-基于相关滤波和自适应特征融合的多尺度目标跟踪方法.zip

整个相关滤波跟踪技术发展路线的主要论文（MOSSE/CSK/KCF/STAPLE/CF2/ACFN等）

基于多目标视频图像边缘特征的核相关滤波跟踪算法.pdf

大多数现代跟踪器的核心部件是识别分类器，其任务是区分目标和周围环境。为了应对自然图像的变化，这个分类器通常使用翻译和缩放的样本补丁进行训练。这样的样本集充满了冗余——任何重叠的像素都被限制为相同的。基于这个简单的观察，我们提出了一个分析模型的数据集的数千个翻译补丁。通过证明所得到的数据矩阵是循环的，我们可以用离散傅立叶变换对其进行对角化，从而将存储和计算都减少了几个数量级。有趣的是，对于线性回归，我们的公式相当于一些最快的竞争跟踪者使用的相关滤波器。然而，对于核回归，我们推导了一种新的核相关滤波器（KCF），它与其他核算法不同，具有与线性相关滤波器完全相同的复杂性。在此基础上，我们还提出了一种基于线性核的线性相关滤波器的快速多通道扩展，我们称之为双相关滤波器（DCF）。KCF和DCF在50个视频基准测试中都优于诸如strike或tld之类的顶级追踪器，尽管它们以每秒数百帧的速度运行，并且在几行代码中实现（算法1）。为了鼓励进一步的发展，我们的跟踪框架是开源的。