基于自适应Kaiser窗口与干扰感知的视觉目标跟踪相关滤波器研究

针对DCF（Discriminative Correlation Filters）跟踪器中固定汉宁窗限制响应图适应性及干扰峰值影响目标判别的问题，研究人员提出融合自适应Kaiser窗口与干扰峰值抑制的DCFAK模型。该模型通过动态调整窗口主副瓣抑制边界效应，结合时序正则化提升滤波器鲁棒性，在OTB-2015等7个数据集上验证了其优越性能，为复杂场景下的目标跟踪提供了新思路。

　　

论文解读
视觉目标跟踪是智能监控、自动驾驶等领域的核心技术，但目标形变、遮挡及复杂背景干扰导致跟踪稳定性面临挑战。尽管判别式相关滤波器(DCF)凭借循环采样和傅里叶变换效率成为经典方法，其固定汉宁窗设计难以适应响应图峰态变化，且背景相似物干扰峰值易引发误判。现有研究虽通过时空正则化或深度特征提升性能，却忽视了手工特征的空间敏感性优势及窗口函数的动态优化潜力。

长沙理工大学的研究团队在《Image and Vision Computing》发表论文，提出融合自适应Kaiser窗口与干扰感知的DCFAK模型。研究采用三项关键技术：(1)基于响应图峰态动态调整Kaiser窗口主副瓣宽度；(2)设计干扰峰值抑制算法衰减响应图次峰；(3)引入时序正则化项增强滤波器帧间相关性。实验覆盖OTB-2013、LaSOT等7个数据集，验证了方法的泛化能力。

自适应Kaiser窗口设计
通过计算响应图峰度系数β，动态调节Kaiser窗口参数α，使窗口形状随目标特征变化。相比固定汉宁窗，该设计在边界效应抑制中保留更多目标背景信息，峰值旁瓣比提升23%。

干扰峰值抑制方法
对响应图次峰施加指数衰减约束，降低相似背景物体的干扰。实验显示，该方法使目标判别误差率降低17%，尤其在无人机(UAV)低空拍摄场景中效果显著。

时序正则化优化
在滤波器学习目标函数中加入相邻帧权重约束，使滤波器在运动模糊等挑战下仍保持高相关性。在DroneTB-70数据集中，时序正则化使长时跟踪成功率提升12%。

结论与意义
DCFAK模型通过动态窗口与干扰抑制的协同设计，首次实现响应图表征与窗口函数的自适应匹配，解决了传统方法因固定窗口导致的背景信息丢失问题。其在无人机跟踪场景的优异表现（UAV123数据集精确度达68.9%），为边缘设备部署提供了轻量化解决方案。未来研究可探索窗口参数与深度学习特征的端到端联合优化。