為提高分層卷積相關濾波視覺跟蹤算法的實時性能，提出一種稀疏卷積特征的實時目標跟蹤算法。首先，在分析不同層卷積特征的基礎上，采用等間隔采樣的方式提取每個卷積層的稀疏卷積特征；然后，對每個卷積層特征的相關濾波響應值進行加權組合，得到目標預測的位置；最后，采用稀疏的模型更新策略進一步提高算法的運行速度。在OTB-2015新增的50組數(shù)據(jù)上對所提算法進行測試，實驗結果表明，該算法的平均距離精度為82.2%，比原分層卷積特征跟蹤算法提高了5. 25個百分點，對目標姿態(tài)以及遮擋等變化具有較好的魯棒性。該算法的平均跟蹤速度為32.6幀／s，是原分層卷積特征跟蹤算法的近3倍，能達到實時跟蹤的效果。

　　摘為提高分層卷積相關濾波視覺跟蹤算法的實時性能，提出一種稀疏卷積特征的實時目標跟蹤算法。首先，在分析不同層卷積特征的基礎上，采用等間隔采樣的方式提取每個卷積層的稀疏卷積特征；然后，對每個卷積層特征的相關濾波響應值進行加權組合，得到目標預測的位置；最后，采用稀疏的模型更新策略進一步提高算法的運行速度。在OTB-2015新增的50組數(shù)據(jù)上對所提算法進行測試，實驗結果表明，該算法的平均距離精度為82.2%，比原分層卷積特征跟蹤算法提高了5. 25個百分點，對目標姿態(tài)以及遮擋等變化具有較好的魯棒性。該算法的平均跟蹤速度為32.6幀／s，是原分層卷積特征跟蹤算法的近3倍，能達到實時跟蹤的效果。視頻跟蹤技術融合了圖像處理、模式識別、人工智能、自動控制以及計算機等眾多領域中的先進技術和核心思想，在軍事制導、視覺導航、安全監(jiān)控、智能交通、醫(yī)療診斷以及氣象分析等方面具有重要的研究意義和廣闊的應用前景。經典的目標跟蹤算法主要是通過訓練分類器來區(qū)分目標和背景，而基于相關濾波的跟蹤方法由于具有較好的實時性跟蹤效果，一直受到研究者的持續(xù)關注。Bolme等。4 0將相關濾波應用到目標跟蹤領域，怛只使用了單一的灰度特征來表征目標，因此跟蹤精度較低。Henriques等。51結合循環(huán)矩陣理論和快速傅里葉變換快速訓練分類器并且檢測目標，速度達362IP~/s；該算法只使用單一特征進行跟蹤，對目標尺度變化、快速運動等跟蹤效果不佳。Danellj an等。提出基于顏色屬性的相關濾波跟蹤算法，采用主成分分析將原來11維的顏色屬性降為2維的顏色特征，但對遮擋、形變等問題處理不好。Henriques等。利用循環(huán)矩陣在傅里葉空間可對角化的性質提出了核相關濾波跟蹤算法，其多通道的梯度直方圖特征的核相關濾波算法的速度達到172，滿足跟蹤的實時性；但不具備尺度變化的能力，對多尺度的目標跟蹤效果并不理想。Danelljan等。對核相關濾波算法進行了改進，在損失函數(shù)中引入空間正則化懲罰項，以抑制離中心較遠的特征的影響，有效地解決了由循環(huán)矩陣導致的邊緣效應，但速度只有5。提出一種自適應融合顏色屬性和方向梯度直方圖特征的相關濾波算法，提高了目標定位的精度，對光照變化、遮擋具有較好的魯棒性。