摘要：為解決目前主流相關濾波跟蹤方法中跟蹤結(jié)果容易陷入局部最優(yōu)值以及因引入深度學習帶來的特征提取過程過慢的問題,提出一種融合極限學習機和相關濾波器的魯棒性目標跟蹤算法。該算法在C-COT算法的基礎上對其特征提取方式和置信圖的尋優(yōu)方法進行改善。首先,利用多層稀疏自編碼極限學習機技術,設計新的特征提取模型,以代替原來的卷積神經(jīng)網(wǎng)絡,可快速且高效地提取圖像特征;其次,在特征提取模型之后,添加在線序列極限學習機,構(gòu)建目標粗糙位置估計模型,采用多峰檢測方法初步求得目標的預測位置;第三,根據(jù)初步的目標預測位置確定置信圖的搜索區(qū)域,避免跟蹤結(jié)果陷入局部最優(yōu)值;最后,在3個目標跟蹤標準數(shù)據(jù)集上驗證新算法的有效性。實驗結(jié)果表明,新算法的跟蹤速度是C-COT算法的12.9倍,且對遮擋、運動模糊以及相似目標等有較強的魯棒性,可有效地提高跟蹤精度和速度。