全文总字数：2166字

1. 研究目的与意义及国内外研究现状

目标跟踪作为计算机视觉的一个重要研究方向,在安全监控、运动分析、行为识别、智能交通和人机交互等领域有着广泛的应用。近年来，基于相关滤波的目标跟踪算法层出不穷，但都是基于单一基础样本前提下的，这些算法对快速移动、发生形变、发生尺度变化和有遮挡物的情况处理得不够好。上下文相关滤波是一种将目标跟踪看作是一个随时间演化的检测任务,在线学习一个将目标和背景最佳分离的判别式分类器,鲁棒地反映表面模型的变化,能够有效应对目标跟踪过程中的光照、视角和遮挡等各种挑战性因素,并且速度也较快。

本论文是基于上下文感知相关滤波法，添加颜色学习来辅助单一的相关滤波跟踪。在跟踪目标时通过重新检测，把跟丢的目标重新锁定，以此来提高跟踪算法的鲁棒性,以便更好地应用于交通监控、军事等领域。

国内外研究现状

最早将相关滤波用于目标跟踪的是mosse（2010）算法，它采用的是灰度特征，速度达到669fps，远远超出了其他算法，准确度一般，论文中还提到峰值旁瓣比（psr），用来判断目标是否被遮挡或者跟踪失败。csk（2012）在mosse的基础上引入了循环矩阵和核的概念，这是kcf的原型；kcf（2014）可以说是对csk的完善，论文中对岭回归，循环矩阵、核技巧、快速检测等有着坚实的理论基础和完整的公式推导；cn（2014）是在csk的基础上提出来的，它采用的是颜色特征（color names），不同语言中对颜色的描述是不一样的；dsst（2014）是基于mosse提出来的，主要针对的是尺度变化问题；lct（2015）在dsst的基础上增加了置信度滤波器，借鉴了tld中的随机蕨分类器；lct（2015）在dsst的基础上增加了置信度滤波器，借鉴了tld中的随机蕨分类器；srdcf（2015）是在dcf的基础上针对边界效应提出的解决方案，它加入了空间惩罚项，在效果上取得了突破性的进步；staple(2016）也是hog特征和颜色特征的结合，不过它是在响应阶段的融合，不是在特征阶段的融合，颜色特征是颜色直方图；之后，用深度学习的特征代替普通特征提出了相关滤波算法，精度有一定的提高。2017年的mrco提出了一种带有增强样本的多重正则化关联跟踪方法用正的、负的和无标记的基样本来训练分类器，并且这些基样的样本集合被命名为增广样本集。最后的结果是在块循环矩阵的对角化过程中使用这些基础样本得到的。

2. 研究的基本内容

本课题主要利用上下文感知相关滤波法和颜色学习的算法，借助matlab实现目标跟踪的更优化。具体内容如下：

1. 了解传统相关滤波[4]类跟踪算法的原理

2. 理解最新的上下文感知相关滤波跟踪算法（cacf[3]）

3. 实施方案、进度安排及预期效果

实施方案：以上下文感知相关滤波法，利用颜色学习算法和重新检测算法来辅助单一的相关滤波跟踪，搭建深度学习框架，以此来提高跟踪算法的鲁棒性。

进度安排：

4. 参考文献

[1] hongwei hu,bo ma,member,ieee,jianbing shen member,ieee,and ling shao,senior member,ieee. “manifold regularized correlation object tracking”

[2] l bertinetto,j valmadre,s golodetz,o miksik,phs torr.

“staple: complementary learners for real-time tracking”