原文传递
融合时空特征的孪生网络视觉目标跟踪算法
| 论文题名： | 融合时空特征的孪生网络视觉目标跟踪算法 |
| 关键词： | 视觉目标跟踪;孪生网络;特征融合;粒子滤波;卡尔曼滤波 |
| 摘要： | 视觉目标跟踪是安防监控、自动巡检和自动驾驶需要的核心技术。目标跟踪问题的核心是如何在复杂的场景下准确、高效地检测和定位目标。随着深度学习技术的发展和用于视觉跟踪任务的数据集完善，基于孪生网络的目标跟踪算法成为了当下目标跟踪学术界的研究热点。本文分析了全卷积孪生网络（Fully-ConvolutionalSiameseNetworks,SiamFC）目标跟踪算法存在的主要问题与不足，从不同方面对该算法进行了改进，具体工作如下： 1.本文针对SiamFC算法使用的特征判别性较弱和缺乏模板更新导致算法鲁棒性不足的问题，提出了多级特征融合和动态模板更新的目标跟踪算法。首先使用改进的MobileNetV2代替原来的AlexNet来提取特征，从深层到浅层逐级串联地融合深层特征和浅层特征获得判别力的目标表达，同时在融合特征的过程嵌入了空间注意力和通道注意力，引导网络输出更加适合跟踪任务的特征。然后提出了一种动态模板更新模块，使用平均峰值相关能量（AveragePeak-to-Correlation,APCE）阈值和相邻模板相似度阈值的双重标准来选择更新模板的时机。最后在OTB100、VOT2016和VOT2017数据集上进行实验，算法的成功率、准确率和鲁棒性都得到了提高。 2.本文分析了SiamFC算法无法稳定跟踪快速移动的目标以及搜索区域内存在相似物体导致跟踪失败的原因，提出了融合粒子滤波和深度孪生网络的目标跟踪算法。首先提出改进的孪生网络跟踪器，其使用SwinTransformer提取特征，并构建了基于卡尔曼滤波的运动先验模型，利用目标轨迹的时间先验信息增强目标的响应，将时空信息融合到跟踪过程中。然后将改进的孪生网络跟踪器与粒子滤波结合，改变SiamFC算法搜索区域的选择方式，使用粒子生成的多个搜索区域更好的覆盖了目标可能的运动状态，多个搜索区域和目标之间的相似度匹配计算由多个对应的孪生网络跟踪器完成。将粒子滤波跟踪框架与孪生网络跟踪模型各自的优势结合在一起，提高了算法在目标快速移动以及相似物体干扰场景下的鲁棒性，在OTB100和VOT2016数据集上的实验结果证明了算法的先进性和有效性。 |
| 作者： | 陈志浩 |
| 专业： | 交通运输工程 |
| 导师： | 杨小军 |
| 授予学位： | 硕士 |
| 授予学位单位： | 长安大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
