摘 要

随着道路车辆的增多和对违规车辆的定位追踪，在计算机自动识别和追踪领域，目标追踪算法显得越来越重要。基于staple的道路车辆追踪算法旨在通过判别后续视频与第一帧视频序列信息的吻合度，实现对道路车辆的精准追踪。但快速运动的车辆会发生快速碰撞变形、不明物体遮挡车辆表面、车辆尺寸大小变化等，staple算法在追踪车辆时还存在许多漏洞和空缺。staple算法的缺点为在灰度视频序列或图片中对移动物体无法实现精准追踪，利用基于局部敏感直方图^[1]的直方图分类器的优势来弥补staple算法的这一弱项。针对staple算法中滤波器（一般为相关滤波器）和两个直方图分类器优势无法最优融合的漏洞，提出了自适应融合系数。

本论文首先针对目标跟踪算法以及典型的staple算法的研究进展进行了综述，总结了与staple算法相关的直方图分类器和相关滤波器的定义及概念。最后，利用MATLAB进行仿真模拟实验，并显示出staple算法追踪目标的能力和准确性，为了完成staple算法的整体说明，应用于分析和概括模拟实验结果。

关键词：道路车辆追踪；相关滤波器；直方图分类器；相对置信度

ABSTRACT

With the increase of road vehicles and the tracking of illegal vehicles, road vehicle tracking algorithm is becoming more and more important in the field of automatic identification and tracking of computer systems. Based on the staple, the road vehicle tracking algorithm aims to realize the accurate tracking of the road vehicle by discriminating the coincidence degree between the subsequent video and the first frame video sequence information. But fast moving vehicles will occur rapid collision deformation, unknown objects block the vehicle surface, vehicle size changes, and so on, staple algorithm in tracking vehicles there are still many loopholes and vacancies. The disadvantage of the stable algorithm is that it can't track moving objects accurately in gray video sequences or pictures. The advantage of histogram classifier based on local sensitive histogram ^[1] is used to make up the disadvantage of the stable algorithm. In order to solve the problem that the advantages of filter (usually correlation filter) and two histogram classifiers cannot be fused optimally, an adaptive fusion coefficient is proposed.

This thesis firstly discusses the development of saple algorithm and the definition and concept of histogram classifier and correlation filter related to staple algorithm. Lastly, the matlab is used to simulate the effect, and the target tracking ability and accuracy of the staple algorithm are demonstrated.

KEY WORDS: Road vehicle tracking; Correlation filter; Histogram classifier; Relative confidence

目 录

第一章 绪论 1

1.1 发展历程及意义 1

1.2 国内外研究现状 3

1.3 论文框架安排 4

第二章 相关理论知识 5

2.1 staple算法 5

2.1.1 staple算法设计流程图 5

2.1.2 staple算法跟踪环节 5

2.2 相关滤波器 7

2.2.1 相关滤波器的概念 7

2.2.2 相关滤波器算法原理 7

2.2.3 循环移位和循环矩阵 8

2.3 直方图分类器 10

2.4 多维特征判别相关滤波器 13

2.5 穷举尺度空间跟踪 14

2.6 本章小结 16

第三章 staple算法设计与优化 17

3.1 方案设计 17

3.2 算法不足之处 19

3.2.1 更新测量不可靠 19

3.2.2 使用单一特征 20

3.3 方案优化 20

3.3.1 相关滤波器采用多策略的相关滤波跟踪器 20

3.3.2 自适应更新 25

3.3.3 自适应融合 26

第四章 算法仿真及结果分析 28

4.1 实验环境及参数配置 28

4.2 评价指标 28

4.2.1 精确度 28

4.2.2 成功率 29

4.3 图像库的建立 29

4.3.1 公共库的建立 29

4.3.2 自建库的建立 29

4.4 实验仿真图 29

4.5 实验结果分析 30

4.5.1 staple算法改进前后跟踪效果对比 30

4.5.2 不同跟踪器的排名情况 30

第五章 总结和展望 32

致 谢 34

参考文献 35

第一章 绪论

1.1 发展历程及意义

随着国内，国际经济水平的不断提升，家用车辆已逐步取代传统的步行出行方式，成为最为潮流时尚的出行方式。但随着车辆的逐步增多，道路车辆管理及违规车辆的定位追踪成为社会管理的重要环节。为此基于staple的道路车辆追踪算法应运而生，在军事车辆管控，无人驾驶及安全监控等领域有着广阔的发展空间。

近几年，基于检测的目标跟踪算法在众多针对移动物体追踪算法业内，引领潮流且对社会产生最佳实用价值的是基于相关滤波器的移动物体追踪算法。BOLME等推出MOSSE算法首次将相关滤波器应用于移动物体追踪方向，MOSSE算法^[21]运行平稳可保持在几百帧每秒，且能保持很高的正确率。HENRIQUES等提出基于MOSSE的CSK算法，为了增加计算速度，使用循环矩阵的特性，将计算变换到频域中进行运算。又因为当前的算法难以解决尺度变化的问题，DANELLJAN基于DCF创建了尺度金字塔，为了检测移动物体的尺度变化，训练了一个尺度相关滤波器，于是DSST算法^[16]问世。相关滤波器内部有边界效应，是其非常重要的刺激因素。2015年，在DCF的基础之上，DANELLJAN加入空域正则化来处罚边界区域的系数，以此来改善边界效应。BERTINETTO等在2016年提出staple算法，将直方图分类器和相关滤波器结合在一起诞生的新兴产物，staple算法将二者的优势互补在一起，在很大程度上减缓了边界效应，其特性功能与SRDCF比较接近，且能保持平稳的运行速度，可达80帧每秒。在2016年后半年，尺度估计方案被张雷等人设计出用于处理尺度变化，呼吁采用自适应尺度目标跟踪算法。王暐等于2017年提出对移动目标采用CSK算法^[1]进行追踪，对移动目标进行逐一分块卡点，利用高置信度的分块跟踪结果，提出基于分块的尺度自适应CSK跟踪算法^[8]。毛宁在2018年利用最佳伙伴相似度判别是否重复检测，提出改进的SRDCF算法^[1]。