【GlobalTrack模型框架】

最新推荐文章于 2023-08-21 20:06:46 发布

ZedRiiiC

最新推荐文章于 2023-08-21 20:06:46 发布

阅读量338

点赞数 1

文章标签：计算机视觉人工智能

本文链接：https://blog.csdn.net/ConFeTTiiii/article/details/129827150

版权

GlobalTrack是一种长程目标跟踪算法，它借鉴Faster R-CNN，将跟踪视为全局实例搜索问题，不受相邻帧影响，保持长期跟踪的准确性。算法包括Query-guided RPN和Query-guided RCNN模块，通过Cross-query Loss提升模型对实例干扰的辨别能力。该算法在长时跟踪中表现出良好的鲁棒性和稳定性。

摘要由CSDN通过智能技术生成

1.引言

学术界对短时追踪的算法研究较早，但实际应用中长时追踪具有更大的实际意义。近年来，在长程跟踪算法方面：SiamRPN算法提出一种孪生候选区域生成网络，作者预先计算孪生子网络中的模板支路，也就是第一帧，并且将它构造成一个检测支路中区域提取网络里面的一个卷积层，用于在线跟踪[1]；SiamFC++ 引入分类和目标状态估计分支、无歧义分类得分、无先验知识跟踪和估计质量得分进行设计，通过离线学习相似度的度量函数，并在跟踪过程中在搜索图像中进行模板图像（目标）的定位[2]；中科院和中科院大学在二阶段目标检测器Faster R-CNN启发下发明GlobalTrack 算法，把目标跟踪看为全局实例搜索问题，其对视频每一帧的跟踪完全不依赖相邻帧，没有累计误差使得它在长期跟踪问题中准确率保持稳定[3]。

2.背景

目标跟踪

目标跟踪是计算机视觉研究的重点问题之一，是理解图像高层语义信息的重要基础。

随着智能视频监控、人脸识别门禁系统、自动驾驶、机器人视觉导航等贴近人们日常生活的视频数据的暴增，视频目标检测的研究具有更大的现实研究意义与应用价值。通过扫描、跟踪物体的行为运动轨迹，来分析出关键特征值，进一步作出实时的预测，是实现诸多技术的基础。

长程追踪

目标跟踪在大数据时代意义非凡，但现今各种目标跟踪算法在处理如光照变化、物体遮挡、图像噪声、低光照、快速运动和类似颜色背景，尤其是长程追踪等问题上仍悬而未决[4]。相较于只有几十秒的短时追踪，长程追踪可处理的视频序列更长，在智能交通，智能驾驶等实际领域中有着至关重要的作用。鲁棒性强、适应性好的长程追踪算法急需提出。