針對全卷積孿生神經(jīng)網(wǎng)絡(luò)SiamFC在目標快速運動、相似干擾較多等復雜場景下跟蹤能力不足的問題,本文引入SINT作為再檢測網(wǎng)絡(luò)對SiamFC進行了改進。本文算法在跟蹤響應圖出現(xiàn)較多波峰時,啟用精確度更高的再檢測網(wǎng)絡(luò)對波峰位置進行重新判定。同時,本文采用了生成式模型構(gòu)建模板來適應目標的各種變化,以及高置信度的模型更新策略來防止每幀更新可能對模板帶來的污染。在OTB2013上對算法性能進行了測試,并選取了9個主流的目標跟蹤算法進行對比,本文算法的跟蹤精確度達到了88.8%,排名第一,成功率達到了63.2%,排名第二,相比SiamFC有很大地提升。對不同視頻序列的分析結(jié)果表明,本文算法在目標快速運動、嚴重遮擋、背景雜波、光照變化和長期跟蹤等場景下具有較強的準確性和魯棒性。 

【文章來源】：光學精密工程. 2019,27(07)北大核心EICSCD

【文章頁數(shù)】：11 頁

【文章目錄】：
1 引言
2 全卷積孿生神經(jīng)網(wǎng)絡(luò)SiamFC
3 孿生實例搜素跟蹤網(wǎng)絡(luò)SINT
4 本文算法實現(xiàn)
    4.1 算法流程
    4.2 模板構(gòu)建與更新
5 實驗結(jié)果與分析
    5.1 整體性能評估
    5.2 基于屬性的性能分析
    5.3 定性比較
        5.3.1 快速運動
        5.3.2 遮擋
        5.3.3 背景雜波和光照變化
        5.3.4 長期跟蹤
6 結(jié)論


【參考文獻】：
期刊論文
[1]增量深度學習目標跟蹤[J]. 程帥,孫俊喜,曹永剛,趙立榮.  光學精密工程. 2015(04)



本文編號：3513392