针对目标跟踪所面临的尺度变化、快速运动导致的跟踪漂移或失败问题,提出一种复杂场景下自适应特征融合的图像运动目标跟踪算法。本文分别设计了目标分类和目标估计模块,并将其有效结合。在目标分类模块,设计了一种自适应特征融合机制...针对目标跟踪所面临的尺度变化、快速运动导致的跟踪漂移或失败问题,提出一种复杂场景下自适应特征融合的图像运动目标跟踪算法。本文分别设计了目标分类和目标估计模块,并将其有效结合。在目标分类模块,设计了一种自适应特征融合机制。该机制融合了多层深度特征以实现有效的在线跟踪。此外,设计的联合更新策略通过优化投影矩阵层和相关层,在处理运动模糊、严重目标形变时具有更强的鲁棒性。在目标估计模块,引入IoU(Intersection over Union)最大化的理念,预测目标和估计边界框之间的IoU分数,在跟踪过程中,通过使用梯度上升最大化IoU分数来估计目标状态,获得更加精确的边界框。实验结果表明,本文所提出的算法具有更出色的跟踪性能,其在OTB100,UAV123及LaSOT数据集上的S AUC分别为70.1%,47.6%和51.6%,优于其他相关算法。展开更多
文摘针对目标跟踪所面临的尺度变化、快速运动导致的跟踪漂移或失败问题,提出一种复杂场景下自适应特征融合的图像运动目标跟踪算法。本文分别设计了目标分类和目标估计模块,并将其有效结合。在目标分类模块,设计了一种自适应特征融合机制。该机制融合了多层深度特征以实现有效的在线跟踪。此外,设计的联合更新策略通过优化投影矩阵层和相关层,在处理运动模糊、严重目标形变时具有更强的鲁棒性。在目标估计模块,引入IoU(Intersection over Union)最大化的理念,预测目标和估计边界框之间的IoU分数,在跟踪过程中,通过使用梯度上升最大化IoU分数来估计目标状态,获得更加精确的边界框。实验结果表明,本文所提出的算法具有更出色的跟踪性能,其在OTB100,UAV123及LaSOT数据集上的S AUC分别为70.1%,47.6%和51.6%,优于其他相关算法。
