基于双模板Siamese网络的鲁棒视觉跟踪算法

发布时间：2021-08-20 09:10

　　近年来,Siamese网络由于其良好的跟踪精度和较快的跟踪速度,在视觉跟踪领域引起极大关注,但大多数Siamese网络并未考虑模型更新,从而引起跟踪错误。针对这一不足,该文提出一种基于双模板Siamese网络的视觉跟踪算法。首先,保留响应图中响应值稳定的初始帧作为基准模板R,同时使用改进的APCEs模型更新策略确定动态模板T。然后,通过对候选目标区域与2个模板匹配度结果的综合分析,对结果响应图进行融合,以得到更加准确的跟踪结果。在OTB2013和OTB2015数据集上的实验结果表明,与当前5种主流跟踪算法相比,该文算法的跟踪精度和成功率具有明显优势,不仅在尺度变化、平面内旋转、平面外旋转、遮挡、光照变化情况下具有较好的跟踪效果,而且达到了46帧/s的跟踪速度。 

【文章来源】：电子与信息学报. 2019,41(09)北大核心EICSCD

【文章页数】：9 页

【部分图文】：

SiameseFC网络框架

的方式进行跟踪：保留未被污染的初始帧目标作为基准模板R，使用改进的APECs更新策略进行模板更新得到动态模板T，两个模板相辅相成，分别与搜索区域进行相似度匹配，得到各自的响应图，对2个响应图加权得到最终响应。本文算法框架如图2所示。3.1.1模板、搜索区域的获取模板区域的获取如图3所示。(1)模板的获取(w;h)sz=(w+2p)￡(h+2p)首先，以被选为模板的目标中心位置P和目标大小裁剪一个正方形区域，该正方形的边长，其中p为上下文余量图2基于Siamese网络下的双模板跟踪第9期侯志强等：基于双模板Siamese网络的鲁棒视觉跟踪算法2249

速的效果。值的确定是本文算法的关键，参数太小会造成更新过于频繁，容易出现模型过更新；参数太大会使更新速度滞后于目标表观变化，导致跟踪性能下降。通过大量实验，确定了阈值为0.85，如表1所示。3.3算法具体流程本文主要算法流程如表2所示。4实验本文采用MATLAB2017a和VisualStudio2013编程来验证本文算法的性能，在Intel(R)Core(TM)i7-6850k3.6GHz处理器上进行测试，并采用GPU(NVIDIAGTX1080Ti)进行加速。分别在2个流行的跟踪数据集上做了实验：包含51个视图3模板与搜索区域2250电子与信息学报第41卷

【参考文献】：
期刊论文
[1]视觉跟踪技术综述[J]. 侯志强,韩崇昭.  自动化学报. 2006(04)



本文编号：3353227