改进转换模型预测网络的外观变化下目标跟踪方法

针对跟踪过程中因目标发生外观变化导致跟踪效果不佳的问题,提出改进转换模型预测(ToMP)网络的外观变化下目标跟踪方法。首先,在ToMP网络基础上添加目标外观状态判别模块,利用级联长短时记忆网络(LSTM)输出目标外观状态判别信息;其次,优化网络在线样本储存判据,在置信度分值判别基础上添加正常外观判别信息,利用可靠样本优化模型权重,增强网络对目标的分类能力;然后,改进网络外观变化时在线样本利用机制,结合最新样本优化模型权重,提高网络对新外观目标的分类效果;最后,利用中心点轨迹预测位置对网络生成目标响应分数进行加权,增强目标特征映射效果的同时减少相似物体干扰以稳定跟踪目标。在公共数据集上准确率分别达到93.9%和68.9%,优于其他方法,并利用机器人进一步证实了可行性。