基于Siamese网络的单目标跟踪算法研究.pdfVIP

摘要

视觉目标跟踪是计算机视觉的基本任务之一，其在很多领域都发挥着重要作用。近年来，

基于深度学习（DeepLearning,DL）的跟踪算法取得了显著的成果。受益于深度特征出色的

表示能力，基于DL的跟踪算法相比于传统的跟踪算法更为鲁棒，但是缺点是时间复杂度较

高。其中，基于孪生（Siamese）网络的目标跟踪算法同时拥有不错的速度和精度，因此成为

了目标跟踪算法中最为火热的研究分支之一。然而，基于孪生网络的目标跟踪方法在面对杂

乱背景干扰、形变以及遮挡等挑战时，仍存在很多不足。针对以上问题，本文从不同方面对

其进行了改进。

针对孪生网络跟踪器在杂乱背景下辨别能力不足的问题。本文首先从训练数据入手，提

出了一种有效的数据增强策略，通过在训练数据中增加更多的物体类别来提高网络的泛化能

力，以及通过在训练数据中加入丰富的负样本对来提高特征的辨别能力。然后本文从训练方

式入手，采用元学习算法来训练孪生网络跟踪器，使跟踪模型仅通过几次的梯度下降就能够

更好地适应当前跟踪目标，从而显著增强跟踪器的分辨能力。

针对孪生网络跟踪器在面对形变、遮挡等情况时容易丢失目标的问题。本文提出了一种

基于策略梯度算法的目标跟踪方法。该方法将跟踪任务视作一个马尔可夫决策过程，并学习

一个策略来决定是否要更新目标的外观模板，或者是否要重新检测目标。这使跟踪器能够在

目标发生形变时适应目标外观的变化，以及在目标受到遮挡时重新找回丢失的目标。该策略

由一个策略网络进行表示，并根据跟踪结果的可靠性进行决策。在决策过程中，将响应图作

为状态表达来分析当前跟踪结果的可靠性。在重检测过程中，提出了一种简单有效的重检测

方法来过滤大量的有哪些信誉好的足球投注网站区域，从而大大提高了检测效率。

最后，结合上述改进，本文提出了一种性能领先的鲁棒跟踪器。所提出的跟踪器在现有

的跟踪基准上进行评估。实验结果表明所提出的跟踪器在原有跟踪器的基础上提高了

3.4%-5.5%的性能。

关键词：目标跟踪，孪生网络，元学习，数据增强，策略梯度，重检测

ABSTRACT

Visualobjecttrackingisoneofthebasictasksofcomputervision,whichplaysanimportant

roleinmanyfields.Inrecentyears,trackingalgorithmsbasedondeeplearning(DL)hasachieved

remarkableresults.Duetotheexcellentrepresentationabilityofdeepfeature,DLbasedtracking

algorithmsismorerobustthantraditionaltrackingalgorithms,butitsdisadvantageishightime

complexity.Amongthem,thesiamesenetworktrackerhavebothgoodspeedandaccuracy,soithas

becomeoneofthemostpopularresearchbranchesinobjecttrackingalgorithms.However,the

siamesenetworktrackerstillhasmanyshortcomingswhenitfacesthechallengesofclutter,

deformationandocclusion.Inviewoftheaboveproblems,thispaperimprovesitfromdifferent

aspects.

Aimingattheproblemthatthesiamesenetworktrackercantdistinguishwellunder