復(fù)雜場景下自適應(yīng)特征融合的圖像運(yùn)動(dòng)目標(biāo)跟蹤算法研究

朱冰　劉琦　余瑞星

摘要：? ? ? 針對(duì)目標(biāo)跟蹤所面臨的尺度變化、 快速運(yùn)動(dòng)導(dǎo)致的跟蹤漂移或失敗問題， 提出一種復(fù)雜場景下自適應(yīng)特征融合的圖像運(yùn)動(dòng)目標(biāo)跟蹤算法。 本文分別設(shè)計(jì)了目標(biāo)分類和目標(biāo)估計(jì)模塊， 并將其有效結(jié)合。 在目標(biāo)分類模塊， 設(shè)計(jì)了一種自適應(yīng)特征融合機(jī)制。 該機(jī)制融合了多層深度特征以實(shí)現(xiàn)有效的在線跟蹤。 此外， 設(shè)計(jì)的聯(lián)合更新策略通過優(yōu)化投影矩陣層和相關(guān)層， 在處理運(yùn)動(dòng)模糊、 嚴(yán)重目標(biāo)形變時(shí)具有更強(qiáng)的魯棒性。 在目標(biāo)估計(jì)模塊， 引入IoU（Intersection over Union）最大化的理念， 預(yù)測目標(biāo)和估計(jì)邊界框之間的IoU分?jǐn)?shù)， 在跟蹤過程中， 通過使用梯度上升最大化IoU分?jǐn)?shù)來估計(jì)目標(biāo)狀態(tài)， 獲得更加精確的邊界框。 實(shí)驗(yàn)結(jié)果表明，? 本文所提出的算法具有更出色的跟蹤性能， 其在OTB100， UAV123及LaSOT數(shù)據(jù)集上的SAUC分別為70.1%， 47.6%和51.6%， 優(yōu)于其他相關(guān)算法。

關(guān)鍵詞：? ? ?目標(biāo)跟蹤； 深度學(xué)習(xí)；? 目標(biāo)分類； 目標(biāo)估計(jì)； 特征融合中圖分類號(hào)：? ? ? TJ760; V249

文獻(xiàn)標(biāo)識(shí)碼：? ? A文章編號(hào)：? ? ?1673-5048（2023）02-0125-06

DOI： 10.12132/ISSN.1673-5048.2022.0094

0引言

目標(biāo)跟蹤［1］是許多應(yīng)用領(lǐng)域不可缺少的一部分， 屬于計(jì)算機(jī)視覺的基本分支。 到目前為止， 許多跟蹤挑戰(zhàn)， 例如尺度變化、 快速運(yùn)動(dòng)、 形變、 遮擋、 平面旋轉(zhuǎn)和背景雜波［2］等， 仍然有待解決。 一般跟蹤問題可分為分類任務(wù)和估計(jì)任務(wù)。 在目標(biāo)分類任務(wù)中， 通過將圖像區(qū)域劃分為前景和背景來提供目標(biāo)在圖像中的粗略位置。 而目標(biāo)估計(jì)任務(wù)是估計(jì)目標(biāo)狀態(tài)， 通常用一個(gè)邊界框來表示。

近年來， 深度神經(jīng)網(wǎng)絡(luò)［3］一直是跟蹤研究中的重點(diǎn)， 已經(jīng)有大量研究使用深度特征完成目標(biāo)跟蹤， 該類跟蹤器［4］在準(zhǔn)確性方面具有優(yōu)勢(shì)， 但其魯棒性卻低于其他跟蹤器?！?br>