注意力增强和目标模型更新的红外目标跟踪算法

摘要：

目的 多数以深度学习为基础的红外目标跟踪方法在对比度弱、噪声多的红外场景下,缺少对目标细节信息的利用,而且当跟踪场景中有相似目标且背景杂乱时,大部分跟踪器无法对跟踪的目标进行有效的更新,导致长期跟踪时鲁棒性较差.为解决这些问题,提出一种基于注意力和目标模型自适应更新的红外目标跟踪算法.方法 首先以无锚框算法为基础,加入针对红外跟踪场景设计的快速注意力增强模块以并行处理红外图像,在不损失原信息的前提下提高红外目标与背景的差异性并增强目标的细节信息,然后将提取的特征融合到主干网络的中间层,最后利用目标模型自适应更新网络,学习红外目标的特征变化趋势,同时对目标的中高层特征进行动态更新.结果 本文方法在4个红外目标跟踪评估基准上与其他先进算法进行了比较,在LSOTB-TIR(large-scale thermal infrared object tracking benchmark)数据集上的精度为79.0％,归一化精度为71.5％,成功率为66.2％,较第2名在精度和成功率上分别高出4.0％和4.6％;在PTB-TIR(thermal infrared pedestrian tracking benchmark)数据集上的精度为85.1％,成功率为 66.9％,较第2名分别高出 1.3％和 3.6％;在 VOT-TIR2015(thermal infrared visual object tracking)和VOT-TIR2017数据集上的期望平均重叠与精确度分别为0.344、0.73和0.276、0.71,本文算法在前3个数据集的测评结果均达到最优.同时,在LSOTB-TIR数据集上的消融实验结果显示,本文方法对基线跟踪器有着明显的增益作用.结论 本文算法提高了对红外目标特征的捕捉能力,解决了红外目标跟踪易受干扰的问题,能够提升红外目标长期跟踪的精度和成功率.

关键词：红外图像、目标跟踪、孪生网络、无锚框、高效注意力、自适应更新

所属期刊栏目：28

分类号：TP391(计算技术、计算机技术)

在线出版日期：2023-10-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共16页

页码：2856-2871