基于难例挖掘和自适应时间正则化的视觉目标跟踪算法

针对复杂情况下视觉目标跟踪算法性能严重退化的问题,提出一种基于难例挖掘和自适应时间正则化的视觉目标跟踪算法.首先,该算法在Staple算法基础上,深度挖掘困难负样本用于相关滤波器训练,提高了跟踪算法的抗干扰能力;其次,加入自适应时间正则化约束,根据目标响应图的变化情况,自适应确定时间正则化系数及模型更新策略,增强了跟踪算法的鉴别能力.在数据集OTB-2015、TC-128和UAV123上的实验结果表明,该算法能够有效应对复杂情况下跟踪性能退化的问题,且运行速度超过30帧/秒,满足实时性需求,综合性能优于对比算法.     

基于自适应标签和稀疏学习相关滤波的红外目标跟踪算法研究

针对背景杂乱、遮挡、热交叉以及目标形变等复杂跟踪场景下目标跟踪算法出现性能严重退化问题,提出一种基于自适 应标签和稀疏学习相关滤波的实时红外单目标跟踪算法。 首先,根据目标响应情况自适应地构造样本标签,通过自适应标签训 练提升相关滤波器的分类能力,抑制干扰区域对跟踪模型的污染。 其次,加入稀疏学习策略,通过目标响应 L1 范数抑制复杂跟 踪场景下目标响应多峰分布,提高跟踪算法的鲁棒性;与基线算法相比,该算法精度和 AUC 分别提升了 19. 3% 和 39. 8% 。 在数 据集 GTOT、RGBT234 和 VOT-2016TIR 上的实验结果表明,该算法对上述复杂跟踪场景具有良好的应对能力,运行速度超过 35 fps,综合性能优于对比跟踪算法。