一种基于视觉注意机制的改进粒子滤波跟踪算法

目标跟踪是计算机视觉研究中的一个重要课题,它是目标行为理解的基础,是图像系统连续准确工作的重要部分。针对单一特征跟踪算法识别准确性不高,特别是在遮挡状况下无法对目标特征进行检测和跟踪的问题,考虑到粒子滤波算法在处理非线性、非高斯跟踪问题上的优越性,提出一种融合颜色、纹理和运动信息等多类特征的改进粒子滤波跟踪算法;并参考人眼的视觉注意机制,根据目标物体在不同场景下对人眼刺激的显著性不同,对目标的各个特征按照显著性强弱排序,并以此对散布粒子进行过滤。与单一特征和多特征目标跟踪算法的对比实验表明,所介绍的算法比基于单一特征的目标跟踪算法具有更高的准确性和鲁棒性,且比多特征跟踪算法的实时性更好。

结合随机掩膜与特征融合的孪生网络目标跟踪

针对全卷积孪生神经网络在尺度变化、变形、背景相似等情况容易出现跟踪失败的问题,提出了一种结合随机掩膜与特征融合的孪生网络目标跟踪算法.主干网络使用特征提取能力更强的VGGNet网络代替AlexNet网络,添加随机软掩膜来模拟复杂环境;在模板图像添加3分支注意力机制模块,将主干网络的第4-1层和5-1层进行特征融合;使用大规模数据对网络进行端到端训练.在5个公开测试集的实验表明,该算法在尺度变化、变形、背景相似等复杂环境下仍具有良好的跟踪性能,并且在NVIDIA RTX2070S上跟踪速度达到54FPS,满足实时性要求.