引入再检测机制的孪生神经网络目标跟踪

发布时间：2021-11-23 07:18

　　针对全卷积孪生神经网络SiamFC在目标快速运动、相似干扰较多等复杂场景下跟踪能力不足的问题,本文引入SINT作为再检测网络对SiamFC进行了改进。本文算法在跟踪响应图出现较多波峰时,启用精确度更高的再检测网络对波峰位置进行重新判定。同时,本文采用了生成式模型构建模板来适应目标的各种变化,以及高置信度的模型更新策略来防止每帧更新可能对模板带来的污染。在OTB2013上对算法性能进行了测试,并选取了9个主流的目标跟踪算法进行对比,本文算法的跟踪精确度达到了88.8%,排名第一,成功率达到了63.2%,排名第二,相比SiamFC有很大地提升。对不同视频序列的分析结果表明,本文算法在目标快速运动、严重遮挡、背景杂波、光照变化和长期跟踪等场景下具有较强的准确性和鲁棒性。 

【文章来源】：光学精密工程. 2019,27(07)北大核心EICSCD

【文章页数】：11 页

【文章目录】：
1 引言
2 全卷积孪生神经网络SiamFC
3 孪生实例搜素跟踪网络SINT
4 本文算法实现
    4.1 算法流程
    4.2 模板构建与更新
5 实验结果与分析
    5.1 整体性能评估
    5.2 基于属性的性能分析
    5.3 定性比较
        5.3.1 快速运动
        5.3.2 遮挡
        5.3.3 背景杂波和光照变化
        5.3.4 长期跟踪
6 结论


【参考文献】：
期刊论文
[1]增量深度学习目标跟踪[J]. 程帅,孙俊喜,曹永刚,赵立荣.  光学精密工程. 2015(04)



本文编号：3513392