《表2 11种属性下DP对比结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《融合运动状态信息的高速相关滤波跟踪算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

%

为进一步评估算法在不同场景下的跟踪性能，本文将上述7种算法对11种不同属性下视频序列分别进行测试.表2、表3给出阈值为20像素与50%时的距离精度与重叠精度时的对比结果.由表2、表3可知，本文算法在不同挑战下大都能达到最优或次优的跟踪效果.尤其在超出视野（OV）、运动模糊（MB）、低分辨率（LR）等状况下表现优异，说明Kalman滤波能够很好地利用目标运动状态信息预测目标位置，弥补相关滤波在目标丢失时跟踪性能的不足，在遮挡属性下（OCC），本文算法跟踪效果能够媲美采用双重特征的Samf算法，说明本文高置信度更新以及位置修正策略能够有效提高跟踪精度；在尺度变化属性下（SV），本文算法精度与成功率均高于具有尺度估计性能的Samf、fDSST、DSST，说明本文降维特征能够满足位置估计与尺度估计需求.综上所述，本文算法在各种复杂场景下均能保证良好的跟踪效果且鲁棒性强.但在背景模糊（BC）与光照变化（IV）情况下，本文算法由于只采用单一HOG特征，判别力弱，且在目标发生旋转时，将无法充分利用其运动状态信息提高跟踪准确度，跟踪性能有待提高.