摘要：针对目标长时跟踪中遮挡和出视野等因素导致的跟踪准确率降低甚至跟踪失败问题,提出一种结合置信度评估与再检测的目标长时跟踪算法。根据相关滤波响应的平均峰值相关能量与颜色得分判断跟踪结果的可靠性;通过引入DIOU约束,有效限制候选位置的数量,增加惩罚项计算候选框得分,得到最优再检测结果;评估再检测结果的可靠性决定是否替换跟踪位置。在OTB-2015数据集上与先进相关滤波算法进行对比,该算法精确度与成功率分别为0.855和0.798。在目标遮挡和出视野等复杂环境下,具有较强的鲁棒性和实时性。

摘要：针对全卷积孪生神经网络(fully-convolutional Siamese network,SiamFC)在目标发生明显外观变化、目标快速运动等复杂场景下跟踪精确度不足,以及在跟踪目标丢失后由于采用局部搜索策略导致无法重新捕获追踪目标的问题,引入YOLO(you only look once)v3作为再检测网络对SiamFC进行改进。改进算法在SiamFC的跟踪点漂移后会启用目标检测网络进行全局搜索,同时在SiamFC跟踪响应图的峰值小于某一确定阈值时启用目标检测网络对跟踪目标位置进行重新检测与判定,从而可以重捕并更精确地判定复杂环境下的运动目标。在公共数据集OTB2013、OTB2015和UAV20L上进行了实验,实验结果表明,与SiamFC相比,改进算法在OTB2015数据集上的精确度提升了2.9%、成功率提升了1.7%,在UAV20L数据集上的精确度提升了1%、成功率提升了2.6%。此外,通过与目前主流的跟踪算法进行比较得出,改进算法达到了领先的性能。对数据集中不同属性的视频序列进行分析,实验表明改进算法在目标形变、尺度变化、严重遮挡、目标离开视野以及背景混淆5种干扰属性上均有较强的准确性和鲁棒性。