近日，中国科学院西安光机所空间光学技术研究室樊学武和赵惠研究员团队在机器学习目标跟踪领域取得新进展，提出了一种新型的稀疏上下文感知的相关跟踪滤波器，相关成果发表于Expert Systems with Applications上。

近年来，判别式相关滤波器（DCF）的目标跟踪方法因其可同时实现较好的跟踪效率和有效性而备受关注。受边界效应、时序模型退化的影响，DCF经常遇到模型漂移甚至跟踪失败的情况。通过构建鲁棒的目标外观模型并设计辅助学习策略是抑制性能退化问题的重要手段。过往研究未能对目标的上下文和多线索特征的相关性进行有效地联合建模，使得相关滤波器难以在目标区域中学习，削弱了滤波器的鉴别能力。

针对这一问题，团队在该方法构建目标外观模型时，巧妙地联合了目标和及其周围的背景信息，以自适应地抑制潜在畸变。同时，通过在DCF框架中嵌入LASSO回归和稀疏响应约束双向选择具有正向参考价值特征。此外，该研究还充分利用机器学习特征和深度卷积特征的互补优势，配置了一种高置信度的从粗粒度到细粒度的启发式跟踪策略，进一步地提升了跟踪的鲁棒性和准确性。该项成果有望应用于人机交互、智能监控领域，并进一步推动相关技术的交叉融合与创新发展。

基于背景约束和稀疏相关滤波器跟踪框架图。（课题组供图）

  ?

相关论文信息：https://doi.org/10.1016/j.eswa.2024.126225