基于不确定性启发图像增强的水下目标跟踪

作     者：罗旭东 袁笛 常晓军 何震宇 

作者机构：西安电子科技大学广州研究院 悉尼科技大学信息工程学院 哈尔滨工业大学(深圳)计算机科学与技术学院 

出 版 物：《计算机工程》 (Computer Engineering)

年 卷 期：2024年

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

基　　金：国家自然科学基金(62202362) 中国博士后科学基金(2022TQ0247,2023M742742) 

主　　题：图像增强 水下目标跟踪 注意力机制 Transformer 分布估计 概率网络 

摘      要：水下视觉目标跟踪任务不仅需要应对常见的露天跟踪挑战，还需面对水下环境所特有的诸多挑战，包括但不限于光学退化和散射、光照不均、能见度低、水动力学等影响。在这种情况下，直接将大量传统的露天场景目标跟踪方法应用于水下场景中，其性能下降是难以避免的。为了解决上述问题，首先，我们引入了一种基于不确定性启发的水下图像增强（UIE）算法，旨在专门提升水下图像质量。此方法将UIE拆分为分布估计和共识过程，并引入了一种新的概率网络来学习水下图像的增强分布，以解决参考图像的偏差问题。然后，我们将其应用于一种基于注意力的特征融合网络中，提出水下目标跟踪算法UTransT。其中的特征融合网络结合了自注意力和交叉注意力机制，以便有效地融合模板特征和搜索区域特征。最后，实验结果表明，在UTB180数据集上，UTransT的成功率相比对比算法中表现最优的MiXFormer提高0.8%，归一化精度上提高近2%；在VMAT数据集上，其成功率相比对比算法中表现最优的MAT提高1.2%，归一化精度上提高1.5%。此外，UTransT能够以65帧/秒的速度进行实时跟踪。这也验证了我们方法在改善水下目标跟踪任务中的有效性和可行性。