针对背景感知相关滤波器的空间正则化权重固定，不适应目标变化和增大搜索区域，易引入背景噪声导致滤波器判别力下降等问题，本文提出一种基于自适应空间正则化和畸变抑制的相关滤波跟踪算法。首先提取FHOG 特征、CN 特征和灰度特征以增强算法模型对目标的表达能力；其次，在目标函数中加入畸变抑制项来约束当前帧的响应图，增强滤波器的判别能力，以缓解滤波器模型退化问题；最后，在目标函数中加入自适应空间正则化项使空间正则化权重能够随着目标的变化而更新，使得滤波器能充分利用目标的多样性信息。本文在公开数据集OTB-2013、OTB-2015和VOT2016 上进行实验，以对所提算法进行评估。实验结果表明：本文算法速度为20 f/s，距离精度和成功率等评估指标均优于对比算法，在遮挡、背景干扰、旋转变化等多种复杂场景下都有良好的鲁棒性。
目标跟踪 相关滤波 畸变抑制 自适应空间正则化 object tracking correlation filter aberrance repression adaptive spatial regularization
1 上海理工大学 光电信息与计算机工程学院，上海 200093
2 上海理工大学 上海市现代光学系统重点实验室，上海 200093
为解决目标快速运动时跟踪算法出现目标丢失和跟踪精度大幅度下降等问题，在现有的Autotrack算法基础上对其进行改进，提出了一种基于快速运动场景下的目标跟踪算法。引入空间正则权重项w对距离目标中心比较远的样本进行相应的惩罚，调整原本的全局响应变化量并将其作为时间正则项。将空间正则项和时间正则项相结合，并引入目标函数中进行优化。在公开数据集OTB-2013（online object tracking: a benchmark）上对改进后的目标跟踪算法进行实验验证和比较。实验结果表明，改进后的目标跟踪算法在目标快速运动场景下的准确率和成功率分别为76.5%和73.1%，在综合评分上的准确率和成功率分别为82.8%和61.1%。
目标跟踪 相关滤波 快速运动 空间正则项 target tracking correlation filter fast motion spatial regularization
1 南京信息工程大学电子与信息工程学院, 江苏 南京 210044
2 南京信息工程大学大气环境与装备技术协同创新中心, 江苏 南京 210044
针对相关滤波器的空间正则化权重与目标内容无关和跟踪过程中模型退化等问题,提出一种基于时间感知和自适应空间正则化的相关滤波跟踪算法。首先,提取灰度特征、CN(color name)特征和方向梯度直方图(HOG)特征来提升算法模型对目标的表达能力;其次,通过图像显著性检测算法获得带有目标内容信息的空间正则化初始权重;然后,在目标函数中加入自适应空间正则化项来缓解边界效应对相关滤波器的影响;最后,加入时间感知项使相关滤波器学习到相邻帧之间的信息,降低算法模型在处理不准确样本时发生过拟合的风险。在OTB-2013和OTB-2015公开数据集上对所提算法进行性能评估实验,结果表明,所提算法在多种复杂场景下都有良好的稳健性,在跟踪成功率和距离精度上优于其他对比算法,且速度达到24.2 frame/s,能满足实时性要求。
机器视觉 目标跟踪 相关滤波 时间感知 自适应空间正则化 显著性检测
重庆大学光电技术及系统教育部重点实验室, 重庆 400044
针对传统高光谱影像特征提取算法大多仅考虑光谱信息或提取空间信息不够精细的问题,提出了一种监督空间正则化流形鉴别分析(SSRMDA)算法,以提高遥感地物的分类性能。该算法首先利用样本数据的标签信息构建谱域类内图和类间图,以揭示高光谱数据潜在的非线性流形结构;然后构建空域类内图,并将空间信息以正则化方式与光谱信息融合,实现谱-空信息的有效融合,并可在低维空间内使类内数据更加聚集,增强嵌入数据的可分性。在Indian Pines和Washington DC Mall数据集上的实验表明,所提算法的总体分类精度分别为91.58%和96.67%,说明所提算法有效提升了地物分类能力,尤其在小样本下的优势更为明显,更有利于实际应用。
遥感 高光谱影像分类 特征提取 图嵌入 流形学习 空间正则化
河北工业大学人工智能与数据科学学院, 天津 300130
提出了一个基于形变多样相似性的空间正则化相关滤波跟踪算法。在核相关滤波(KCF)跟踪算法基础上引入了空间正则化权重和子网格检测方法,利用形变多样相似性匹配算法构建了目标重检测模块,利用主成分分析(PCA)算法和k维树一致近似最近邻(TreeCANN)算法解决了匹配算法中的最近邻搜索问题;通过自适应模板更新策略,解决了遮挡情况下模板误更新问题。实验结果表明,所提算法的精确度得分为0.825,成功率得分为0.625,相比KCF算法分别提升了18.5%和31.0%。所提算法能较好地解决目标尺度变化、遮挡、快速运动、旋转和背景杂乱情况下的跟踪问题,具有广泛的应用前景。
机器视觉 目标跟踪 空间正则化 相关滤波器 形变多样相似性
河北工业大学 控制科学与工程学院，天津 300130
针对空间正则化判别相关滤波跟踪算法(SRDCF)在目标发生遮挡、尺度变化和形变情况下的跟踪失败问题，提出利用最佳伙伴相似性的改进SRDCF目标跟踪算法。首先，以SRDCF算法为基础，利用双层搜索策略解决目标跟踪中的目标定位问题和尺度估计问题；然后，利用一种新颖的鲁棒模板匹配技术，通过融合空间权重、相关滤波得分和最佳伙伴相似性得分来估计候选目标位置，解决遮挡情况下的目标重定位问题；最后，采用自适应模板更新策略解决遮挡情况下模板漂移问题。本文采用OTB-2013数据集评估本文算法的性能，同时与34种流行算法进行比较，结果表明本文算法的精确度得分和成功率得分分别为0.853和0.648，相比传统的SRDCF算法分别提高1.79%和3.51%。本文算法能很好地解决目标遮挡、尺度变化和形变情况下的目标跟踪问题，具有一定研究价值。
目标跟踪 最佳伙伴相似性 判别式相关滤波 空间正则化 object tracking Best-Buddies Similarity discriminative correlation filter spatial regularization
河北工业大学 控制科学与工程学院, 天津 300130
针对核相关滤波器(KCF)跟踪算法在目标跟踪中存在尺度变化、严重遮挡、相似目标干扰和出视野情况下跟踪失败等问题, 提出了一种基于KCF的长期目标跟踪算法。该算法在分类器学习中加入空间正则化, 利用基于样本区域空间位置信息的空间权重函数调节分类器系数, 使分类器学习到更多负样本和未破坏的正样本, 从而增强学习模型的判别力。然后, 在检测区域利用Newton方法完成迭代处理, 求取分类器最大响应位置及其目标尺度信息。最后, 对最大响应位置的目标进行置信度比较, 训练在线支持向量机(SVM)分类器, 以便在跟踪失败的情况下, 重新检测到目标而实现长期跟踪。采用OTB-2013评估基准50组视频序列验证了本文算法的有效性, 并与30种其他跟踪方法进行了对比。结果表明: 本文提出的算法跟踪精度为0.813, 成功率为0.629, 排名第一,相比传统KCF算法分别提高了9.86%和22.3%。在目标发生显著尺度变化、严重遮挡、相似目标干扰和出视野等复杂情况下, 本文方法均具有较强的鲁棒性。
核相关滤波器 长期目标跟踪 空间正则化 支持向量机(SVM) 在线SVM分类器 kernelized correlation filter long-term object tracking spatial regularization Support Vector Machine (SVM) online SVM classifier
