计算机应用研究

作者：熊丽婷,张绍彪,娄莉,

单位：1.南昌交通学院电气与信息工程分院,南昌330100；2.西北工业大学电子信息学院,西安710072；

关键词：跟踪器,分类与估计,高阶特征,鲁棒性,重叠精度指标,

基金：国家自然科学基金资助项目(61401360)；教育部产学研合作协同育人项目(201901149006)；江西省教育厅科学技术研究项目(GJJ191583)；；

为了平衡跟踪器的分类与估计模块间的性能差距，提出一种模块性能均衡的跟踪器。首先，通过大量离线学习，将高阶特征纳入目标估计中；然后，对目标估计模块进行训练，预测目标对象与估计跟踪框之间的重叠。为了提高所提分类模块在面对干扰物时的鲁棒性，引入在线训练的分类模块，采用了难分样本挖掘方法，确保较高的区分能力。在OTB100、VOT2016和TrackingNet三个公开数据集上进行实验，结果表明，与相关滤波、多域网络等方法相比，所提方法的重叠精度指标更优、跟踪精度更高，且收敛性明显快于梯度下降法，运行速率达到实时要求。

来源：2021年第11期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2021年第11期