结合模板更新与轨迹预测的孪生网络跟踪算法

作     者：贺王鹏 胡德顺 李诚 周悦 郭宝龙 HE Wangpeng;HU Deshun;LI Cheng;ZHOU Yue;GUO Baolong

作者机构：西安电子科技大学空间科学与技术学院陕西西安710071 

出 版 物：《西安电子科技大学学报》 (Journal of Xidian University)

年 卷 期：2024年第51卷第3期

页      面：46-54页

核心收录：

学科分类：0710[理学-生物学] 081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0836[工学-生物工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(52175112) 陕西省自然科学基础研究计划资助项目(2023JCYB289) 中央高校基本科研业务费专项资金资助项目(ZYTS23102) 

主　　题：深度学习 目标跟踪 孪生网络 模板更新 轨迹预测 卡尔曼滤波 

摘      要：目标跟踪一直是计算机视觉领域中重要且富有挑战的问题。为克服目标形变、遮挡或快速移动等因素对跟踪性能的影响,笔者提出一种结合模板更新与轨迹预测的孪生网络跟踪算法。首先,在基于孪生网络跟踪模型中引入模板图像的自适应更新迭代机制,实现对目标表观变化的动态表征,以此提升目标形状或颜色发生变化时的跟踪性能。具体来说,通过对每一帧跟踪结果的分析,判断是否满足更新条件,设计了自适应模板更新的策略,有效地降低了目标模板被污染的可能性。其次,在目标跟踪过程中引入卡尔曼滤波,通过收集跟踪过程中目标位置信息并进行轨迹预测,将前一帧中跟踪算法预测的目标位置信息与轨迹预测的位置信息相融合,得到当前帧搜索区域的裁剪位置,进而实现了离线跟踪与在线学习的结合,进一步解决了目标被遮挡或者快速移动的问题。最后,在VOT2018和LaSOT数据集上验证了该算法在多种复杂场景下的性能表现。实验结果表明,所提算法的跟踪性能超过了大部分其他跟踪算法。