基于多尺度建议框的目标跟踪误差修正方法

摘要：

随着深度学习技术引入视觉目标跟踪领域,目标跟踪算法的精度和鲁棒性有了很大的提高.但在低空无人机跟踪目标的实际场景中,情况比较复杂,如相机的抖动、大量的遮挡、视角和焦距的改变等,使得跟踪算法的准确性受到极大挑战.目前的算法大多建立在目标外观变化缓慢的前提假设下,在跟踪的过程中不具备检测和修复漂移(跟踪误差)的能力.针对该问题,提出了一种基于多尺度建议框的目标跟踪误差修正方法.离线阶段,利用大量的已标注的目标样本训练基于多尺度建议框的目标跟踪修正模型,获取不同类别目标的先验知识.在线阶段在核相关滤波跟踪的基础上,依据相关响应置信度自适应评价的结果,通过目标跟踪修正模型不定期重新初始化目标的位置,避免了因为误差累积而导致跟踪失败.算法在无人机航拍数据集上进行了测试,结果表明,该跟踪算法在目标发生较大形变的情况下能较好的修正跟踪漂移问题.相比于其他几种算法,目标跟踪的成功率和精度分别提高了14.3％和3.1％.

关键词：视觉跟踪、卷积神经网络、核相关滤波、跟踪漂移、误差累积

所属期刊栏目：56

分类号：TN391.41(半导体技术)

资助基金：国家自然科学基金No.61271376

在线出版日期：2020-10-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：132-138