中国地质大学（武汉）bat365官网登录入口
“科研成果快报”
1. 标题
· Part-based Visual Tracking with Spatially Regularized Correlation Filters
· 基于空间正则化相关滤波的分块视频跟踪方法
2. 成果信息
· 论文、专著、专利、软件、奖项、新闻报道的完整信息，务必使用规范的引用格式
o Zhang D, Zhang Z, Zou L, et al. Part-based visual tracking with spatially regularized correlation filters. The Visual Computer, 2019 (online).
· URL: https://link.springer.com/article/10.1007/s00371-019-01634-5
· DOI: https://doi.org/10.1007/s00371-019-01634-5
· This study was funded by the National Natural Science Foundation of China (Grant nos. 61702350 and 61472289) and the Open Project Program of State Key Laboratory of Digital Manufacturing Equipment and Technology at HUST (Grant no. DMETKF2017016).
3. 成果团队成员
· 张德军（第一作者，通讯作者），讲师，中国地质大学（武汉）bat365官网登录入口。研究方向：三维场景理解、人体姿态估计、目标跟踪与识别、自然语言处理。
Email: dejunzhang@cug.edu.cn
· 张钊，本科生，四川农业大学bat365官网登录入口。研究方向：目标跟踪与识别、行为识别。
· 邹露，本科生，四川农业大学bat365官网登录入口。研究方向：计算机视觉。
· 何发智，教授，武汉大学计算机学院。研究方向：计算机图形学、计算机辅助设计、视频分析与理解。
· 涂志刚，研究员，南洋理工大学。研究方向：运动估计，目标跟踪与分割，行为识别、异常事件检测。
4. 成果介绍
目标跟踪作为计算机视觉领域最重要的研究问题之一，在人机交互、车辆识别、视频监控等行业有着广阔的应用前景。近年来基于相关滤波的跟踪算法（例如KCF、MOSSE、SRDCF等）在目标跟踪任务中展现出了良好的性能。这些方法利用训练样本的周期性假设来针对不同的图像分块学习各自的分类器，在实现分块跟踪的同时也引入了不必要的边界效应（如图1所示）。绿色矩形表示目标区域，蓝色矩形表示正则化相关滤波器的学习区域。由于惩罚项的影响，相关滤波器只关注于训练图像块的中心位置，导致相关过滤器只提取某些图像块中目标的局部特征（如图中绿色虚线矩形）。
图1 SRDCF中的边界效应问题。
为了解决这一问题，SRDCF在滤波器系数中引入了惩罚权重，通过赋予背景区域更高的权重有效地缓解了边界效应问题。然而，由于目标尺度的变化，SRDCF对于惩罚比例的选取十分困难，导致滤波器在惩罚背景区域的时候对目标区域的响应造成抑制。
本研究提出基于空间正则化相关滤波的分块跟踪框架(PSRDCF) (如图2)。PSRDCF定义了多个空间正则化相关滤波器来提取目标特征，在缓解边界效应问题的同时，避免对目标区域的惩罚；并结合循环移位与空间正则化相关滤波器的方式来构建目标跟踪器，无需将训练样本划分为多个子区域即可实现分块跟踪。
图2 PSRDCF目标跟踪框架
本研究与现有的跟踪算法那在OTB2013和OTB2015数据集上的定量比较结果如表1所示。PSRDCF的距离精度和重叠精度均优于现有的目标跟踪器，且中心位置误差低于其他方法。
表1 针对不同数据集(OTB2013和OTB2015)的定量比较
本研究与现有的跟踪算法在九个典型视频序列上的OPE成功率比较如图3所示。PSRDCF在目标消失、背景嘈杂、尺度变化、外平面旋转以及低分辨率等情况下均能保持较高的成功率。
图3 在典型视频序列上的定量比较
本研究与现有的跟踪算法在不同场景下的定性比较结果如图4所示。PSRDCF在目标遮挡、尺度变化、光线变化、旋转、背景嘈杂等场景下均能保持良好的跟踪效果。
图4 在典型视频序列上的定性比较
· 创新点
（1）定义了多个空间正则化相关滤波器来提取目标特征，在缓解边界效应问题的同时，避免对目标区域的惩罚。
（2）通过结合循环移位与空间正则化相关滤波器的方式来构建目标跟踪器，无需将训练样本划分为多个子区域即可实现分块跟踪。
（3）在目标跟踪公共数据集(OTB2013、OTB2015和VOT2017)上与其他最先进的跟踪器(CVPR 2018、ECCV 2018)相比，PSRDCF表现出了更加优异的性能。
