張 晉，王元余，林丹丹，杜欣悅，林 宇，蘭 戈

基于相關濾波的紅外目標跟蹤抗遮擋處理

張 晉，王元余，林丹丹，杜欣悅，林 宇，蘭 戈

（昆明物理研究所，云南 昆明 650223）

針對傳統(tǒng)的相關濾波算法在紅外目標跟蹤過程中，目標被完全遮擋后跟蹤失效的問題，提出一種結合了多尺度濾波跟蹤器和基于深度學習檢測器的目標實時跟蹤抗遮擋算法。首先使用跟蹤器跟蹤目標，計算目標的峰值響應強度并比較峰值響應強度與經驗閾值的大小以判斷目標是否被遮擋或跟蹤丟失。然后當目標被遮擋或跟蹤丟失時，停止更新跟蹤器，由于目標被遮擋后再次進入畫面的位置可能會發(fā)生巨大變化，并且跟蹤器在整個圖像中搜索目標的速度特別慢，因此在不降低跟蹤精度和速度的情況下，后續(xù)幀中采用了檢測器檢測目標并得到多個目標框。利用檢測器得到的目標框，分別利用跟蹤器進行相關濾波，針對每個目標框得到一個峰值響應強度，其中峰值響應強度最大且超過經驗閾值的目標框即為重新進入畫面的目標。通過與多尺度相關濾波算法比較，所提算法在滿足實時跟蹤的情況下，能有效地解決紅外目標被遮擋的問題，具有更高的魯棒性和精確度。

紅外目標跟蹤；相關濾波；多尺度濾波；深度學習；遮擋處理；實時跟蹤

0 引言

紅外目標跟蹤是指對紅外視頻中的目標進行檢測和跟蹤的技術，由于紅外具有全天候監(jiān)控的特征，其廣泛應用于國防軍事和民用方面，在國防軍事上，如地?？漳繕吮O(jiān)控和預警系統(tǒng)以及精確制導等，在民用上，如安防監(jiān)控、人機交互和無人機對地面目標的跟蹤等[1-4]。目標跟蹤技術近年來受到了人們的廣泛關注，也是當今計算機視覺領域最具挑戰(zhàn)性的研究領域之一。在實際應用中，由于實際場景復雜，視頻中目標的形變、光照變化、旋轉、快速運動和遮擋等因素都會影響跟蹤的準確度，提出一種實時、魯棒性強、跟蹤精度高的跟蹤算法仍具有較大的難度，為解決上述因素的影響，近年來目標跟蹤領域也出現了許多算法。目標跟蹤算法根據表觀模型可以分為兩類：生成式和判別式模型。其中生成式模型主要是在視頻圖像中尋找與給定目標最相似的圖像窗口，而判別式模型則是通過學習分類器來對圖像進行目標和背景的二分類。

近年來在判別式跟蹤算法中，由于相關濾波的跟蹤算法具有高速和高效的特點，得到了人們的廣泛關注和迅速的發(fā)展[5]。相關濾波算法最初用于信號處理領域中比較兩個信號的相似度，隨后Bolme等人[6]首次基于相關濾波提出了最小誤差輸出平方和跟蹤算法（minimum output sum of squared error filter, MOSSE），利用傅里葉變換將時域上的卷積轉換為頻域上的點積，極大地減少了計算量，提高了目標跟蹤速度，跟蹤速度超過了600fps，完全滿足了實際應用中目標跟蹤的實時性要求。由于該算法在目標跟蹤上的優(yōu)異表現，此后眾多基于此算法框架的相關濾波改進算法相繼被提出，其中最具代表性的有Henriques等人[7-8]提出的循環(huán)結構跟蹤算法（circulant structure Kernel, CSK）以及在此基礎上用方向梯度直方圖（histogram of oriented gradient, HOG）特征替代CSK算法中灰度特征的核相關濾波跟蹤算法（Kernel correlation filter, KCF），極大地提高了跟蹤準確度。隨后Danelljan等人[9-10]基于循環(huán)結構先后提出了判別尺度空間跟蹤算法（discriminative scale space tracker, DSST）和快速判別尺度空間跟蹤算法（fast discriminative scale space tracker, fDSST），能在快速跟蹤目標的同時進行尺度更新，較好地解決了目標跟蹤尺度變化的問題。

然而目標遮擋作為目標跟蹤領域一種常見的情況，相關濾波跟蹤算法無法有效的解決。由于相關濾波大多采用循環(huán)矩陣的方式，如果采用全圖像搜索目標，則會極大地降低跟蹤速度，無法滿足實際應用的實時性要求，因此相關濾波的大部分算法均采用在目標附近的圖像窗口內進行計算響應強度，但是在實際目標跟蹤過程中，當目標被遮擋或出畫面后再次進入畫面時，目標很可能不會出現在之前的位置，這將會導致相關濾波跟蹤算法無法有效地重新跟蹤上目標。

針對以上情況，本文結合快速判別尺度空間濾波跟蹤算法[10]和深度學習中的YOLO（you only look once）目標識別算法[11]進行改進并提出YOLO-fDSST跟蹤算法（YfDSST），當目標跟蹤丟失后，先采用YOLO算法快速檢測出圖像中的目標，隨后利用fDSST算法在各檢測出來的目標框內進行峰值響應強度計算，得到包含最大峰值響應強度且峰值大于經驗閾值的目標框即為待跟蹤的目標，利用該目標更新相關濾波模型并進行后續(xù)視頻幀的跟蹤。對比實驗結果表明，本文改進的算法在滿足實時性的情況下，能有效解決跟蹤過程中目標被遮擋和出畫面的情況，具有更高的魯棒性和精確度。

1 目標跟蹤器

本文所提的跟蹤器算法由跟蹤模塊和目標再檢測模塊構成，其中跟蹤模塊使用快速判別尺度空間濾波算法，其引入了融合方向梯度直方圖（fusion of HOG, FHOG）特征[12]的，再檢測模塊使用基于深度學習的YOLO算法實現對目標位置和大小的快速檢測。

1.1 快速判別尺度空間濾波器

fDSST采用了兩個獨立的相關濾波器，分別實現目標的位置跟蹤和尺度變換，并分別定義為位置濾波器和尺度濾波器。在連續(xù)的兩幀視頻圖像中，通常位置的變化大于尺度的變化，因此該算法先采用位置濾波器確定目標位置信息，在目標位置的基礎上再使用尺度濾波器確定其尺度信息。

在位置濾波過程中，提取目標所在圖像塊的FHOG特征，并通過式(1)構造最優(yōu)濾波器：

式中：、、均為×的矩陣，其中和分別為圖像塊的高度和寬度大小，表示特征維數且∈{1, 2, …,}；為正則項系數；?代表循環(huán)相關。

由于循環(huán)相關的矩陣點積運算的計算量巨大，利用傅里葉變換可以將時域內的矩陣卷積運算轉換為頻域上的點積運算，從而極大地減少了計算量，加快了計算速度[7]。傅里葉變換后的最優(yōu)相關濾波器如式(2)所示：

式中：大寫字母代表相應的離散傅里葉變換，上劃線表示共軛，特征維數取值范圍?{1, 2, …,}。

在實際工程應用中，通常把相關濾波器H拆分成分子A和分母B的形式分別進行迭代更新操作，如式(3)所示：

式中：表示學習率。

對于新的一幀視頻圖像，利用相關濾波器和高斯函數構建相應的圖像塊的輸出響應得分，其中輸出響應得分最高的地方則為當前視頻幀的目標位置，如式(4)所示：

在尺度濾波過程中，為了確定視頻幀中目標的最佳尺度大小，跟蹤算法采用了一個一維的相關濾波器去估計目標在圖像中的尺度，假設在當前幀中目標大小為×，尺度大小設置為，在目標中心位置提取尺度等級為的訓練樣本圖像塊J，并提取特征作為圖像塊的維特征描述子，其中圖像塊的大小為aP×aR，表示尺度因子，尺度等級的選取范圍為∈{[－(－1)/2], …, [(－1)/2]}。

1.2 目標再檢測

相關濾波器進行目標跟蹤的原理是以視頻圖像與濾波器模板作用后的輸出響應最大的地方作為目標的位置，但是圖像在進行每一次濾波的位置是上一幀中目標的位置，如果目標被遮擋或目標出畫面導致目標跟蹤丟失，當目標再次進入畫面時，目標可能不會出現在丟失前的位置，而濾波器模板的濾波位置仍然停留在丟失前的位置，此時將無法跟蹤重新進入畫面的目標。由于相關濾波器一般會采用循環(huán)矩陣的方式來增加訓練樣本數量，如果使相關濾波器進行全圖像搜索，則會導致計算量急劇上升使得跟蹤速度無法滿足實時性要求。為了能夠在跟蹤目標丟失后，能夠重新找到目標并持續(xù)對其進行跟蹤，有必要引入再檢測機制。不同于傳統(tǒng)的目標檢測中針對每一幀視頻都進行目標檢測，在本文所提的再檢測機制中，只有當圖像塊中目標的峰值響應強度低于經驗閾值后，即目標跟蹤丟失后才進行目標再檢測，從而不會顯著地影響跟蹤速度。

由于目標再檢測算法的準確度和速度會對目標跟蹤準確度和速度造成較大影響，因此對目標再檢測算法提出了較高的要求。本文的再檢測機制采用的基于深度學習的YOLOv4算法[11]對目標進行檢測，在目標檢測的準確性和速度上均能較好的滿足要求。

YOLOv4是YOLO系列最新的網絡，其骨干網絡主要CSPDarknet53構成，相對于其它骨干網絡，CSPDarknet53具有參數量少和傳輸速度快的優(yōu)勢，并且在CSPDarknet53網絡中采用了空間金字塔池化模塊，能有效地改善感受野尺寸，在不降低網絡處理速度的情況下將圖像中最重要的上下位特征提取出來。同時YOLOv4網絡還利用路徑聚合網絡（path aggregation network, PAN）對特征進行多通道融合，PAN網絡的應用可以實現特征的重用、提高檢測準確率以及降低計算瓶頸和減少內存開銷。

網絡訓練過程中的損失函數如式(5)所示：

式中：L為目標預測框與真實框的中心點和寬高誤差之和；coord為坐標系數；confidence為目標置信度誤差，包含了格子中有物體和無物體的兩項置信度誤差；obj和noobj分別為格子中有物體和無物體的置信度系數；classes為目標分類損失；obj表示為第個格子的第個錨框的匹配情況；c表示第個預測框的置信度；p表示第個預測框包含某類目標的概率。

在檢測過程中，該算法將圖片劃分成×個網格，將每個格子作為先驗錨框位置，并在格子內對物體置信度、類別置信度和位置偏移量進行擬合，最終經過非極大值抑制后得到目標的邊界框坐標和類別信息。

1.3 跟蹤流程

本文算法是在fDSST算法[10]的基礎上引入目標再檢測機制來實現目標跟蹤的抗遮擋處理，首先利用fDSST對目標進行跟蹤，當目標被遮擋或出畫面時，當前視頻幀中目標的峰值響應強度會低于經驗閾值，此時停止相關濾波器模型更新并會啟用目標再檢測機制。

本文算法針對場景中存在一個或多個目標的情形均是適用的，如果場景中存在多個目標，目標再檢測機制會在目標跟蹤丟失后，在后續(xù)視頻幀中檢測出所有目標，從而得到所有目標的位置和大小信息，但是待跟蹤的目標可能僅僅是檢測出的所有目標中的一個，因此必須從所有被檢測出來的目標中將待跟蹤的目標篩選出來，在實際光電系統(tǒng)應用中，會進一步結合伺服系統(tǒng)返回的跟蹤目標速度大小和方向信息，排除相似干擾目標的影響，提高目標重捕獲的成功率。

針對檢測出來的每一個目標，使用相關濾波器計算目標的峰值響應強度，選取峰值響應強度最大且大于經驗閾值的目標即為待跟蹤目標。如果最大峰值響應強度小于經驗閾值，則說明在檢測出來的目標中可能不包含待跟蹤目標，則需要依據后續(xù)視頻幀的檢測結果繼續(xù)進行篩選。

在篩選出待跟蹤目標后，以式(3)對相關濾波器模型進行更新，并以經過相關濾波器篩選后的目標峰值響應強度位置初始化跟蹤目標位置，考慮到目標在被遮擋或出畫面后重新進入畫面時，目標的尺寸大小可能會發(fā)生變化，因此需要依據檢測目標的尺寸大小對跟蹤目標進行尺度更新，更新方式如式(6)所示：

式中：b為尺度更新的學習率；wb和hb分別為檢測器檢測到的目標寬高大?。粀t－1和ht－1分別為前一幀中目標的寬高大小。在得到重新進入畫面的目標后繼續(xù)以fDSST算法對目標進行跟蹤從而實現目標的抗遮擋處理。圖1為基于相關濾波的目標跟蹤抗遮擋處理的流程圖。

2 實驗結果與分析

實驗中目標檢測器的訓練數據采用紅外仿真軟件獲得超過7萬張的紅外圖像，圖像包含坦克、悍馬、直升機、艦艇、戰(zhàn)斗機、卡車和大巴車等在內的多個目標類別，人工標注后將數據按9:1的比例分成訓練集和測試集兩部分，并采用變學習率的方式在訓練服務器上訓練10萬步后得到目標檢測器模型。

目標跟蹤測試視頻采用紅外仿真軟件獲得兩段目標被完全遮擋又重新進入畫面的視頻并進行人工標注，視頻幀數超過500幀，幀頻為30Hz，寬高為640×512像素。并在移植該跟蹤算法到實際光電系統(tǒng)后，針對實際場景進行了兩次在線測試，在線測試的視頻采集幀率為40Hz，圖像大小為640×512像素。

2.1 實驗環(huán)境與參數

考慮到實際嵌入式系統(tǒng)應用，測試采用C＋＋語言，所用硬件采用NvidiaJetson TX2核心板，GPU為Pascal包含256顆CUDA核心，CPU為HMP Dual Denver 2和Quad ARM A57。顯存和內存共享大小為8GB的主存。相關濾波器學習率為0.01，尺度更新學習率為0.1，尺度因子為1.04，峰值響應強度閾值為0.6。檢測器訓練時學習率采用變學習率策略，初始學習率為0.00025，在4萬步和7萬步時學習率縮小10倍。經過10萬步迭代后損失降低到0.5左右并保持基本穩(wěn)定。檢測器的測試結果如表1所示，測試時檢測閾值為0.5，從表1可以看出對所有的目標類型檢測準確率和召回率均超過97%，在該跟蹤算法中，檢測器的檢測閾值采用0.3，以提高目標檢測召回率，從而提高跟蹤目標丟失重捕獲的成功率。

表1 檢測器測試結果

2.2 性能評估方法

為評估本文所提算法在目標跟蹤抗遮擋處理的性能，實驗采用了距離精度（Distance Precision，DP）和成功率（success rate, SR）作為評估標準[13]。距離精度是在跟蹤過程中，跟蹤算法所跟蹤的目標中心位置與人工標注的目標中心位置的歐氏距離小于某一距離閾值的視頻幀數占整個視頻中包含目標的視頻幀數（剔除目標遮擋的幀數）的百分比。如果在相同的距離閾值下，距離精度越大則算法的跟蹤效果越好。成功率則是指跟蹤算法所跟蹤的目標矩形框與人工標注的目標矩形框的交并比（intersection over union, IoU）大于某一IoU閾值的視頻幀數占整個視頻中包含目標的視頻幀數的百分比。如果在相同的IoU閾值下，成功率越高則算法的跟蹤效果越好。

2.3 抗遮擋處理性能比較

2.3.1 定性比較

圖2和圖3分別為在紅外中波和長波下不同算法的跟蹤結果，下面結合圖2和圖3對本文所提的算法進行分析。

圖2 中波紅外下目標跟蹤結果（實線：本文算法，虛線：fDSST）

圖3 長波紅外下目標跟蹤結果（實線：本文算法，虛線：fDSST）

從圖2中可以看出，針對中波紅外波段，在目標未被遮擋之前，兩種算法均能較好地跟蹤目標，與實際目標位置偏差較小。但是在目標被部分遮擋時，fDSST算法仍然在更新濾波器模型，導致濾波器模型加入較多的背景信息，從而在第333幀視頻圖像之后，當目標重新進入畫面并運動時，該算法的目標框仍然停留在之前更新學習的圖像背景位置，即圖2(c)中虛線目標框所示，無法有效實現目標的抗遮擋處理。而本文所提算法在目標被部分遮擋時，能及時地停止更新相關濾波器模型，以及在目標重新進入畫面后的短時間內，準確地重捕獲目標并具有較高的時效性，如圖2(c)中實線目標框所示，并在后續(xù)視頻幀中穩(wěn)定準確地對目標持續(xù)跟蹤。在圖3的長波紅外波段下，同樣可以看出fDSST跟蹤算法無法有效地對紅外目標在完全被遮擋后進行重捕獲，而本文所提算法能有效、快速地對長波紅外目標在被遮擋后進行再檢測跟蹤，實現目標的持續(xù)穩(wěn)定跟蹤。

通過以上分析可知本文所提算法針對紅外目標，能在目標被遮擋時及時停止更新相關濾波器模型，避免模型帶入背景噪聲，并在引入再檢測機制后，能快速準確地對跟蹤目標進行再捕獲，并實現持續(xù)穩(wěn)定跟蹤。

2.3.2 定量比較

由于距離精度和成功率是跟蹤算法中廣泛使用的評估標準，因此本實驗選用這兩個標準來評估算法的整體性能[13]。

圖4分別是中波和長波紅外下，不同算法的距離精度隨目標中心位置偏差閾值變化的實驗結果。從圖中可以看出本文算法在中波和長波紅外下的距離精度均值分別為82%和71%，相比于fDSST算法分別提高了61%和36%，在中心位置偏差閾值為10個像素時，本文算法在中波和長波紅外下的距離精度分別達到了90%和75%，明顯優(yōu)于相同閾值下fDSST算法的距離精度。

圖4 中波和長波紅外下的平均距離精度

圖5分別是中波和長波紅外下，不同算法的跟蹤成功率隨交并比閾值變化的實驗結果。在交并比閾值為0.5的情況下，本文算法的成功率在中波和長波紅外下分別達到了89%和75%，分別比fDSST算法高出了66%和34%，并且平均成功率無論是在中波紅外還是長波紅外情況下均明顯優(yōu)于fDSST算法。

綜上實驗結果可知，本文在針對紅外目標跟蹤的抗遮擋處理時，基于相關濾波引入目標再檢測機制能夠較好地提高跟蹤效果，并能很好對解決目標被全部遮擋的問題。

圖5 中波和長波紅外下的平均成功率

在跟蹤效率上，表2為跟蹤算法運行速度的對比結果，從對比結果中可以看出，本文提出的算法與fDSST算法在運行速度上相差不大，均在100fps左右，具有較高的運行效率，能夠完全滿足嵌入式系統(tǒng)中實時跟蹤的需求。

表2 跟蹤算法運行速度對比

2.3.3 在線測試

在基于仿真視頻針對跟蹤算法進行相關性能測試的同時，也將跟蹤算法移植到實際光電轉塔中，并基于光電轉塔，在兩個實際場景中對跟蹤算法進行了在線測試。

在在線測試場景一中，正常被跟蹤的目標車輛在第42幀被廣告牌遮擋后跟蹤丟失，并在第44幀重新出現在畫面中，從圖6中可以看出，在第44幀中目標被光電轉塔重新捕獲跟蹤。在第42幀和第43幀的畫面中，目標車輛跟蹤丟失后，畫面中存在其它干擾車輛，然而跟蹤器并未重捕獲其它干擾目標車輛，而是保持目標跟蹤丟失狀態(tài)直到真實目標出現并重捕獲。

圖6 在線測試場景一跟蹤結果（從左至右、從上至下分別為第39、41、42、43、44、45幀）

在在線測試場景二中，跟蹤的部分結果如圖7所示，在第74幀及以前，雖然畫面中存在著較多其它車輛，但是目標車輛仍被較好地持續(xù)跟蹤，在第76幀時，目標開始被樹木遮擋，并持續(xù)遮擋至第79幀，在被遮擋期間，跟蹤器處于目標丟失狀態(tài)，從畫面中可以看出，目標跟蹤丟失期間，場景中存在較多的其它車輛甚至是極為相似的車輛，但是跟蹤器并未重捕獲至其它干擾車輛造成誤跟蹤情況。從圖7中可以看出在第81幀目標車輛重新出現在畫面后跟蹤器迅速對目標進行重捕獲并進行持續(xù)準確的實時跟蹤。

綜上基于光電轉塔的在線測試結果可以看出，在實際場景存在多個目標的情況下，當跟蹤目標被遮擋導致跟蹤丟失后，跟蹤器能較好地避免重捕獲其它相似目標而導致誤跟蹤，并在真實目標重新出現在畫面中時迅速對其進行重捕獲并持續(xù)、準確地進行實時跟蹤。

圖7 在線測試場景二跟蹤結果（從左至右、從上至下分別為第69、74、76、79、81、92幀）

3 結論

針對相關濾波跟蹤器在紅外目標被遮擋時無法有效持續(xù)跟蹤目標的問題，本文在快速判別尺度空間濾波器跟蹤器算法的基礎上引入基于深度學習的目標再檢測機制，提出了一種紅外目標跟蹤抗遮擋處理的跟蹤算法，在通過大量的紅外圖像數據集對目標檢測器進行訓練后，該算法在目標被遮擋后又重新進入畫面時，能夠快速準確地對目標進行重捕獲并進行持續(xù)跟蹤。相比與原始的fDSST算法，本文算法在中波和長波紅外下的距離精度和跟蹤成功率均有較大地提升，在具有較好的跟蹤準確度的同時具有較高的跟蹤速率，能滿足嵌入式系統(tǒng)中實時跟蹤的要求，具有一定的實際應用價值。盡管提出的方法在紅外目標跟蹤上取得了良好的跟蹤效果，但是還需要在更加復雜實際紅外場景中進行測試和改進。

[1] 蔡毅. 紅外系統(tǒng)中的掃描型和凝視型FPA[J]. 紅外技術, 2001, 23(1): 1-5,18.

CAI Yi. The scanning and starring FPA in infrared systems[J]., 2001, 23(1): 1-5, 18.

[2] 范晉祥, 楊建宇. 軍用紅外成像探測跟蹤技術發(fā)展趨勢與新技術研究進展[C]//第十屆全國光電技術學術交流會論文集, 2012: 125-134.

FAN Jinxiang, YANG Jianyu. Development trend and research progress of military infrared imaging detection and tracking technology[C]//10th, 2012: 125-134.

[3] 王云萍. 美國天基紅外導彈預警技術分析[J]. 光電技術應用, 2019, 34(3): 1-7.

WANG Yunping. Analysis of space-based infrared missile warning system in America[J]., 2019, 34(3): 1-7.

[4] FU Z, CHANG Z, YONG H, et al. Foreground gated network for surveillance object detection[C]//2018(BigMM), 2018: 1-7.

[5] Danelljan M, Hager G, Khan F S, et al. Learning spatially regularized correlation filters for visual tracking[C]//, 2015: 4310-4318.

[6] Bolme D S, Beveridge J R, Draper B A, et al. Visual object tracking using adaptive correlation filters[C]//,, 2010: 13-18.

[7] Henriques J F, Rui C, Martins P, et al. Exploiting the circulant structure of tracking-by-detection with kernels[C]//12th, 2012: 702-715.

[8] Henriques J F, Caseiro R, Martins P, et al. High-speed tracking with kernelized correlation filters[C]//, 2015, 37: 583-596.

[9] Danelljan M, H?ger G, Khan F S, et al. Accurate scale estimation for robust visual tracking[C]//, 2014(65): 1-11.

[10] Danelljan M, H?ger G, Khan F S, et al. Discriminative scale space tracking[C]//,2017, 39(8): 1561-1575.

[11] Bochkovskiy A, WANG C Y, LIAO H. YOLOv4: optimal speed and accuracy of object detection[J/OL]., arXiv:2004.10934. https://arxiv.org/abs/2004.10934.

[12] Felzenszwalb P F, Girshick R B, Mc Allester D, et al. Object detection with discriminatively trained part-based models[C]//, 2010, 32: 1627-1645.

[13] WU Y, LIM J, YANG M H. Object tracking benchmark[J]., 2015, 37: 1834-1848.

Anti-occlusion Process of Infrared Target Tracking Based on Correlation Filters

ZHANG Jin，WANG Yuanyu，LIN Dandan，DU Xinyue，LIN Yu，LAN Ge

(Kunming Institute of Physics, Kunming 650223, China)

Focusing on the issue that traditional correlation filters have poor performance in infrared target tracking with occlusion, an anti-occlusion and real-time target-tracking algorithm based on a multi-scale filter tracker and a deep learning detector is proposed. First, the peak response value is calculated using the tracker; if the peak value is less than the threshold, the target is occluded or tracking is lost. Second, the detector stops updating when the target is occluded or tracking is lost. The position of the target changes significantly when it comes in frame again after occlusion, and the speed of target searching with the tracker will be very slow. At this time, a detector is employed to detect the targets in the subsequent frames without loss of tracking accuracy and speed. The peak values are calculated for each target box that is detected by the detector, and the target with a maximum peak value larger than the threshold is tracked. The results of the experiment compared with the multi-scale correlation filter show that the proposed real-time tracking algorithm can not only effectively solve infrared target occlusion, but also has higher tracking robustness and accuracy.

infrared target tracking, deep learning, correlation filters, multi-scale filter, occlusion process, real-time tracking

TN219

A

1001-8891(2022)03-0277-09

2021-12-13；

2022-01-28.

張晉（1986-），男，云南保山人，碩士研究生，主要研究方向為視頻目標識別與跟蹤。E-mail：zhangjin_211@163.com。

王元余（1989-），男，湖南衡陽人，高級工程師，主要從事紅外圖像處理的研究。E-mail：wxyjin232425@163.com。