时空关联自适应追踪目标特征学习

来源：计算机科学与探索杂志2021年第6期北京时间：

作者：郭明哲, 才子昕, 王馨月, 景丽萍, 于剑

单位：北京交通大学 交通数据分析与挖掘北京市重点实验室，北京 100044

摘要：目标追踪是近年来视觉领域的一个研究难题，其核心任务是在视频序列中持续定位目标并使用边界框标注其位置。已有的追踪方法大多采用目标检测的思路，将视频序列按帧分开对目标进行单独检测。这种策略尽管充分利用了当前帧信息，却忽略了帧与帧之间的时空关联信息，而这些信息是适应目标外观变化并完整检测目标的关键。为解决这一问题，提出了时空关联的自适应追踪目标特征学习框架时空孪生网络（STSiam），该模型利用视频序列间时空关联信息，通过目标定位和目标表征两个阶段，对目标进行准确定位和实时追踪。目标定位阶段，STSiam自适应地捕捉目标及其周围的变化特征，更新目标匹配模板，确保其尽量免受外观变化影响；目标表征阶段，STSiam关注不同帧对应区域之间的空间关联信息，利用目标定位锁定区域并学习目标边界框修正参数，确保边界框尽量贴合目标。该模型网络架构基于离线训练，在线追踪时无需更新模型参数，确保其实时追踪速度。在广泛使用的OTB2015、VOT2016、VOT2018和LaSOT数据集上进行了一系列实验验证，相较于已有方法，STSiam在准确率、鲁棒性和速度方面均取得领先性能。

关键词：时空关联,特征,追踪,目标定位,目标表征