結(jié)合通道選擇與位置優(yōu)化的目標(biāo)跟蹤算法*

吳 捷，馬小虎

（1.泰州職業(yè)技術(shù)學(xué)院信息技術(shù)學(xué)院，江蘇 泰州 225300；2.蘇州大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，江蘇 蘇州 215006）

0 引言

目標(biāo)跟蹤是計(jì)算機(jī)視覺(jué)領(lǐng)域的研究熱點(diǎn)之一，在人機(jī)交互、醫(yī)學(xué)成像、交通監(jiān)測(cè)等領(lǐng)域有著極其廣泛的應(yīng)用。目標(biāo)跟蹤的基本流程是在待跟蹤視頻序列的第一幀中標(biāo)記出目標(biāo)邊界框，并在后續(xù)幀中對(duì)目標(biāo)進(jìn)行準(zhǔn)確定位。由于目標(biāo)物體在運(yùn)動(dòng)過(guò)程中可能會(huì)發(fā)生形變、旋轉(zhuǎn)以及受到自然環(huán)境中光照變化等諸多因素的影響，使得目標(biāo)跟蹤尚有不少亟待解決的難題。

近年來(lái)深度學(xué)習(xí)方法異軍突起，在目標(biāo)跟蹤領(lǐng)域得到廣泛應(yīng)用，DeepSRDCF、CF2、ECO、STRCF、MCCT等跟蹤器在DCF 框架下結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（CNN）達(dá)到了較高的跟蹤精度，但是使用深度特征也明顯降低了算法的運(yùn)行速度，限制了其應(yīng)用范圍。而全卷積孿生網(wǎng)絡(luò)（SiamNet）憑借超越DCF 方法的準(zhǔn)確度和端到端訓(xùn)練的優(yōu)勢(shì)，成為目標(biāo)跟蹤領(lǐng)域最熱門(mén)的研究方向。

Bertinetto 等在CVPR2016 會(huì)議上提出了基于全卷積孿生網(wǎng)絡(luò)（SiamFC）的目標(biāo)跟蹤方法，實(shí)現(xiàn)了端到端訓(xùn)練，達(dá)到了超實(shí)時(shí)性能，并且具有較高的跟蹤精度。Li 等對(duì)Siamese 孿生網(wǎng)絡(luò)框架進(jìn)行了擴(kuò)展，引入?yún)^(qū)域推薦網(wǎng)絡(luò)（RPN）并提出了SiamRPN 跟蹤算法，跟蹤器的性能進(jìn)一步得到了提升。

雖然一系列基于SiamNet 的跟蹤算法取得了良好的跟蹤效果，但也存在如下問(wèn)題：視覺(jué)跟蹤中的目標(biāo)可以是任意形式的，而從普通圖像中預(yù)先訓(xùn)練的CNN 模型對(duì)感興趣的目標(biāo)對(duì)象是不可知的，這使得預(yù)訓(xùn)練的效率變得較低。從跟蹤速度來(lái)看，因?yàn)轭A(yù)訓(xùn)練模型的深度特征是高維的，造成了大量使用深度特征的跟蹤器計(jì)算負(fù)荷很高。……