基于自适应混合模型的多正则化突变感知相关滤波目标跟踪方法研究

针对目标跟踪中外观突变、滤波器退化及目标形变等问题，研究人员提出多正则化突变感知相关滤波方法（MRMACF），通过自适应混合模型整合突变威胁机制（MTM）和稀疏空间特征选择技术，在OTB-2015等数据集上实现DP 93.2%和AUC 69.8%的优异性能，显著提升了复杂场景下的跟踪鲁棒性。

　　

在计算机视觉领域，目标跟踪技术是自动驾驶、监控安防等应用的核心支撑。然而，传统判别式相关滤波（DCF）方法面临外观突变、滤波器退化和目标形变三大挑战：当目标遭遇光照变化或快速运动时，滤波器易偏离真实位置；边界效应和特征冗余进一步加剧跟踪漂移。尽管BACF、SRDCF等改进算法通过时空正则化缓解了部分问题，但突变场景下的鲁棒性仍不足。

为此，韩国国立研究团队在《Neural Networks》发表研究，提出多正则化突变感知相关滤波（MRMACF）。该方法创新性地融合突变威胁机制（MTM）与自适应混合模型：通过对比当前帧与历史模型的外观差异，MTM动态识别突变事件并触发目标重检测；结合行列稀疏特征选择技术，精准定位目标关键区域；引入上下文感知模块，利用周围样本增强判别力。实验表明，MRMACF在OTB-2015数据集上以93.2%的DP（距离精度）和69.8%的AUC（成功率曲线下面积）超越主流算法，尤其在遮挡和形变场景下表现突出。

关键技术包括：1）基于ResNet的深度特征提取；2）整合行列稀疏约束的空间特征选择；3）突变威胁阈值自适应计算；4）跨帧目标位置信息融合的混合建模。

研究结果

1. 突变感知机制验证：MTM通过阈值化历史-当前模型差异，成功检测到91.3%的外观突变事件，较基线方法误报率降低37%。
2. 特征选择优化：行列稀疏技术使特征维度压缩42%，同时保持Conv-5层深度特征的判别性。
3. 上下文融合效果：周围样本提取使滤波器在快速运动场景的定位误差减少28%。

结论与意义
该研究首次将突变威胁量化为可计算的正则项，通过多模块协同解决了DCF框架的固有缺陷。自适应混合模型实现了突变响应与跟踪稳定性的平衡，为复杂场景下的实时跟踪提供了新范式。未来可探索与Transformer架构的融合，进一步提升长时跟踪性能。