摘要
视觉目标跟踪一直是国内外学者的研究重点，随着多年的研究发展，跟踪算法逐渐遭遇瓶颈，但深度学习技术的崛起为跟踪技术注入了新活力，使跟踪技术有了长远的发展，促使该领域迈向新台阶。目前，目标跟踪算法的性能在自然场景下仍会受到如光照变化，尺度变化，遮挡等各种因素的干扰，因此对其进行跟踪仍然具有很大的难度。本文针对算法在短时和长时运动场景下进行跟踪时，目标被遮挡导致跟踪失败或目标被相似物干扰导致跟踪精度下降的问题，以 SiamRPN++作为基础算法，提出一种具有通道和空间注意力机制的孪生网络视觉目标跟踪方法，该方法以进行深度特征提取的孪生网络框架为主，自适应生成锚框的区域建议网络为辅，并引入多层特征融合和自适应模板更新策略，以此来准确预测目标位置，从而设计一种能够提取更加鲁棒的目标特征方法和决策模型，以提升算法的成功率和精确度。 本文的主要研究内容及创新点如下： （1）针对传统目标跟踪算法中主干网络缺少在通道和空间上对特征信息进行判别的问题，提出一种结合双注意力机制及特征融合的孪生网络目标跟踪算法。首先，将通道和空间注意力机制与主干网络相结合，对目标在通道和空间上的有效信息进行加强，对无效信息进行压制，提高模型对目标的判别能力；其次，对各层的特征进行多层融合，使浅层网络也能获得深层语义信息，提高算法在复杂情况下的鲁棒性；最后，在 OTB100 和LaSOT 两种数据集上进行实验，证明该算法能够提取到更加精确的目标特征信息，从而使算法整体性能有一定的提升。 （2）针对基于人工设计锚框的目标跟踪算法中，候选框无法框住特殊（特别高或特别宽）的目标，且产生无用样本多，正负样本不平衡以及计算量大等问题，提出一种基于自适应生成锚框的孪生网络目标跟踪算法。首先，采用基于自适应生成锚框的区域建议网络，解决锚框生成的问题；其次，采用像素级互相关操作解决模板和搜索特征融合时特征空间模糊的问题，这种操作可以使融合后的特征更加清晰，从而提高边界框定位的准确性，进而增强网络对复杂情况的建模能力；最后，在OTB100和 LaSOT两种数据集上进行实验，证明改进锚框生成方式和特征空间模糊问题后算法能够得到更加准确的跟踪框，有效提升了算法的成功率和精确度。 （3）针对长时跟踪中，目标遭遇遮挡或特征信息缺失而导致跟踪漂移或失败的问题，提出了一种基于抗干扰物的模板更新孪生网络长时目标跟踪算法。该算法在第四章目标跟踪算法的基础上进行了改进，引入了自适应模板更新机制，通过更新当前帧的模板信息来提高算法应对目标遮挡时的跟踪性能；其次，还设计了一种模板更新损失函数对自适应模板更新机制进行训练；最后，在 LaSOT和UAV123中UAV20L数据集上进行验证，实验结果表明，该算法相较于没有模板更新机制的算法更具优势，可以在复杂场景下更好地解决长时跟踪中目标受遮挡问题，具有更强的鲁棒性。
NETL