时空关联自适应追踪目标特征学习

摘要：

目标追踪是近年来视觉领域的一个研究难题,其核心任务是在视频序列中持续定位目标并使用边界框标注其位置.已有的追踪方法大多采用目标检测的思路,将视频序列按帧分开对目标进行单独检测.这种策略尽管充分利用了当前帧信息,却忽略了帧与帧之间的时空关联信息,而这些信息是适应目标外观变化并完整检测目标的关键.为解决这一问题,提出了时空关联的自适应追踪目标特征学习框架时空孪生网络(STSiam),该模型利用视频序列间时空关联信息,通过目标定位和目标表征两个阶段,对目标进行准确定位和实时追踪.目标定位阶段,STSiam自适应地捕捉目标及其周围的变化特征,更新目标匹配模板,确保其尽量免受外观变化影响;目标表征阶段,STSiam关注不同帧对应区域之间的空间关联信息,利用目标定位锁定区域并学习目标边界框修正参数,确保边界框尽量贴合目标.该模型网络架构基于离线训练,在线追踪时无需更新模型参数,确保其实时追踪速度.在广泛使用的OTB2015、VOT2016、VOT2018和LaSOT数据集上进行了一系列实验验证,相较于已有方法,STSiam在准确率、鲁棒性和速度方面均取得领先性能.

关键词：时空关联、特征、追踪、目标定位、目标表征

所属期刊栏目：15

分类号：TP391(计算技术、计算机技术)

资助基金：中央高校基本科研业务费专项2019JBZ110

在线出版日期：2021-06-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共13页

页码：1049-1061