针对传统核相关滤波器(KCF)无法处理严重遮挡及光照变化等问题, 提出一种结合快速角点检测与双向光流法的长期KCF跟踪算法。首先利用KCF跟踪器在目标位置上提取融合方向梯度直方图特征、颜色属性特征和灰度特征的多通道特征, 计算输出响应图并得到所跟踪目标的峰值旁瓣比(PSR), 然后通过比较PSR与经验阈值来判断目标是否被遮挡; 当目标出现遮挡时, 在快速角点检测的角点基础上利用双向光流法重新检测下一帧目标位置, 并采用一种新模板更新策略来应对严重遮挡。与其他算法进行对比实验, 验证了本文算法对处理遮挡和光照变化具有高效性及稳健性。

为了克服核相关滤波(KCF)只根据目标外观模型追踪时准确性低的不足,融入运动模型,计算了检测目标框和预测目标框的交并比(IOU)。通过匈牙利算法,确定了目标间的最优关联。KCF和IOU模型都具有快速响应的特点,因此算法可满足在线处理数据的要求。在公开的2DMOT2015、MOT16数据集上进行实验,将所提方法与其他优秀方法相比,在保证30 frame/s以上处理速度的同时,追踪准确性提高10%以上。

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。