一种多尺度相似性学习的目标跟踪算法研究
基于深度学习的目标跟踪算法由于其良好的性能已经成为目标跟踪领域的主流算法之一.其核心思想是进行前后帧的相似性学习从而完成模板帧与搜索帧的匹配.其中,相似性学习是影响跟踪算法性能的关键一环.以孪生网络的相似性学习为切入点,对现有的深度互相关(DW-XCorr)的相似性学习方式进行改进,提出了一种多尺度相似性学习的目标跟踪算法.该算法在SiamRPN的基础网络框架下,构造多尺度互相关(Multi-Scale Cross Correlation,MS-XCorr)模块,对原有的互相关操作进行多尺度的改进,从而增加学习特征尺度的多样性,提高了跟踪网络相似性学习的效率,最终使得算法跟踪性能有进一步提升.在实验部分,将改进后的算法与其基线进行了对比实验,该算法在成功率(Success Rate)、精度(Precision)及平均精度(Norm Precision)上均有提升,成功率提高了 4.3％,精度提高了 4.4％,平均精度提高了 4.0％.实验表明,多尺度互相关模块相较于深度互相关模块具有更强的相似性学习能力,提出的多尺度相似性学习的目标跟踪算法在目标光照、形态变化、遮挡以及干扰等复杂场景下具有更好的跟踪性能.
深度学习、目标跟踪、相似性学习、多尺度互相关
20
TP391(计算技术、计算机技术)
2022-05-05（万方平台首次上网日期，不代表论文的发表时间）
共7页
70-76
