具有自适应上下文学习与关键滤波器选择的稀疏正则化相关滤波器用于无人机目标跟踪

近来，相关滤波器因其高帧率、鲁棒性和低计算资源消耗而被广泛应用于无人机（UAV）跟踪。然而，它因两个固有缺陷而脆弱，即边界效应与滤波器退化。一些通过扩大搜索区域的方法可缓解边界效应，却引入了不期望的背景干扰物。另一些方法通过引入时间正则化项减轻学习滤波器的时序退化，其依赖于连续帧间滤波器应一致的假设。实际上，有时第 ($t-1$) 帧的滤波器易受背景严重遮挡影响，导致该假设不成立。为处理这些问题，本工作中我们提出一种具有自适应上下文学习与关键滤波器选择的新型 $\ell_{1}$ 正则化相关滤波器用于无人机跟踪。首先，借助由先前相关滤波器模型生成的当前帧响应图上局部最大值分布，自适应检测有效上下文干扰物的位置。接着，我们通过移除每个干扰物上的一个标签来消除被跟踪目标的不一致标签，并为每个干扰物设计新的评分方案。然后，我们通过寻找当前帧目标与滤波器池中每个滤波器对应目标模板间的最大相似度，从滤波器池中选出关键滤波器。最后，在三个权威无人机数据集上的定量与定性实验表明，所提方法优于基于相关滤波器框架的最先进跟踪方法。