摘要
目标跟踪是计算机视觉领域中的重要任务之一，在智慧交通、智慧工业和智慧医疗等领域中具有重要的应用价值，备受国内外学者的广泛关注。目标跟踪任务是在第一帧中获取跟踪目标信息，在后续帧中对该目标的位置和大小信息进行预测。在跟踪过程中通常存在遮挡、尺度变化和背景干扰等影响因素，导致目标的外观会产生显著性变化。随着深度学习模型的不断发展，结合注意力机制的跟踪方法已经成为了研究热点，并取得了良好的效果。本文基于孪生网络的跟踪框架和注意力机制模型，针对特定因素设计并实现新型跟踪框架，能够更准确地对目标进行建模，从而提高跟踪算法性能。本文的主要工作如下: (1)提出并实现了基于双分支自注意力机制的目标跟踪算法。针对目标形变等因素，设计一种新型的双分支自注意力模块，从通道和空间两个维度使用自注意力机制对目标特征增强自注意力。该模块通过在背景和目标之间分配目标部分的权重，建立更为鲁棒的目标外观模型。所提出的模块结合到孪生网络中，有效提升目标跟踪算法的准确性与鲁棒性。基于VOT2018、GOT-10K和OTB100三个经典数据集进行验证，实验结果表明该算法能够有效提升算法跟踪性能并获得优秀的跟踪效果。 (2)提出并实现了基于图像显著性保留的自适应特征融合跟踪算法。针对目标尺度变化等因素，设计图像显著性保留策略和自适应特征融合策略，通过图像显著性保留增强样本方式对目标自身的特征进行保留的同时通过数据增强丰富样本，然后采用自适应特征融合策略有效选择不同的目标特征。该算法旨在避免产生噪声样本影响模型性能，并自动选择更加合适的特征，提高跟踪算法对目标的判别能力。所提出两个模块与孪生网络相结合，有效提高了跟踪器的鲁棒性。基于VOT2018、GOT-10K和OTB100三个经典数据集进行验证，实验结果表明该算法能够有效提升算法跟踪性能并获得优异的跟踪效果。
NETL