结合双模板融合与孪生网络的鲁棒视觉目标跟踪
目的 视觉目标跟踪算法主要包括基于相关滤波和基于孪生网络两大类.前者虽然精度较高但运行速度较慢,无法满足实时要求.后者在速度和精度方面取得了出色的跟踪性能,然而,绝大多数基于孪生网络的目标跟踪算法仍然使用单一固定的模板,导致算法难以有效处理目标遮挡、外观变化和相似干扰物等情形.针对当前孪生网络跟踪算法的不足,提出了一种高效、鲁棒的双模板融合目标跟踪方法(siamese tracker with double template fu-sion,Siam-DTF).方法 使用第1帧的标注框作为初始模板,然后通过外观模板分支借助外观模板搜索模块在跟踪过程中为目标获取合适、高质量的外观模板,最后通过双模板融合模块,进行响应图融合和特征融合.融合模块结合了初始模板和外观模板各自的优点,提升了算法的鲁棒性.结果 实验在3个主流的目标跟踪公开数据集上与最新的9种方法进行比较,在OTB2015(object tracking benchmark 2015)数据集中,本文方法的AUC(area under curve)得分和精准度分别为0.701和0.918,相比于性能第2的SiamRPN++(siamese region proposal network++)算法分别提高了0.6％和1.3％;在VOT2016(visual object tracking 2016)数据集中,本文方法取得了最高的期望平均重叠(expected average overlap,EAO)和最少的失败次数,分别为0.477和0.172,而且EAO得分比基准算法SiamR-PN++提高了1.6％,比性能第2的SiamMask_E算法提高了1.1％;在VOT2018数据集中,本文方法的期望平均重叠和精确度分别为0.403和0.608,在所有算法中分别排在第2位和第1位.本文方法的平均运行速度达到47帧/s,显著超出跟踪问题实时性标准要求.结论 本文提出的双模板融合目标跟踪方法有效克服了当前基于孪生网络的目标跟踪算法的不足,在保证算法速度的同时有效提高了跟踪的精确度和鲁棒性,适用于工程部署与应用.
视觉目标跟踪(VOT)、孪生网络、特征融合、双模板机制、深度学习
27
TP391(计算技术、计算机技术)
上海市科技兴农重点攻关项目2018;2020-02-08-00-07-F01480
2022-04-26（万方平台首次上网日期，不代表论文的发表时间）
共13页
1191-1203
