《Digital Signal Processing》：A target tracking method by fusing hybrid domain saliency techniques
編輯推薦：
在目標跟蹤研究中，現有算法存在響應圖錯誤導致目標定位不準、模板分支判別力有限致跟蹤失敗等問題。研究人員提出 HST - TT 算法，融合多域顯著性技術。實驗表明該算法性能優異，提升了跟蹤精度與魯棒性，為目標跟蹤領域帶來新突破。
在當今科技飛速發展的時代，計算機視覺中的視覺目標跟蹤技術就像一雙 “智慧之眼”，在智能交通、視頻監控、人機交互等眾多領域發揮著至關重要的作用。它的核心任務是根據目標在第一幀的初始外觀，持續預測其在后續視頻幀中的位置和狀態。然而，看似強大的經典目標跟蹤框架，如相關濾波器和暹羅網絡（Siamese networks），卻面臨著諸多挑戰。一方面，響應圖的模糊性常常導致目標定位不準確，就好比 “智慧之眼” 看東西出現了重影，無法精準鎖定目標；另一方面，暹羅網絡中模板分支的判別能力不足，使得跟蹤頻繁失敗，仿佛這雙 “眼睛” 在復雜環境下失去了辨別能力。
為了解決這些棘手的問題，來自江西新余學院的研究人員展開了深入研究。他們提出了一種基于混合域顯著性技術結合動態加權策略的目標跟蹤算法（HST - TT）。這項研究成果意義重大，它有效提升了目標跟蹤的精度和魯棒性，為該領域的發展注入了新的活力。該研究成果發表在《Digital Signal Processing》上。
研究人員在開展這項研究時，主要運用了以下關鍵技術方法：一是設計了顯著性圖提取模塊，通過動態加權策略融合頻率、空間和時間域的顯著性技術；二是開發了輕量級卷積神經網絡（CNN）特征提取模塊，集成壓縮和激勵注意力機制，以提取多分辨率特征。
下面來詳細看看研究結果：
- 算法整體結構：HST - TT 算法主要由相關濾波器響應圖計算和顯著性圖計算兩部分構成。它基于相關濾波和暹羅網絡的混合跟蹤框架，引入了集成顯著性特征融合的輕量級 CNN 模塊來提取多分辨率特征。
- 顯著性圖提取模塊：該模塊利用動態加權策略，整合頻率、空間和時間域的顯著性技術優勢，生成更精確的復合顯著性圖。這一過程就像是給 “智慧之眼” 配備了特殊的 “濾鏡”，能在復雜背景下更好地識別目標，有效緩解跟蹤失敗的問題。
- 輕量級卷積神經網絡特征提取模塊：此模塊基于原始殘差網絡架構進行優化，去除了填充層以減少冗余計算，同時在最后兩個殘差塊中加入擴張卷積，擴大網絡的感受野。并且，通過壓縮和激勵注意力機制，自適應融合第三和第四殘差塊的輸出，從不同網絡層中選擇性地強調有用特征，進而提升了模型處理復雜干擾的判別能力，提高了跟蹤精度。
在研究結論和討論部分，HST - TT 算法展現出了顯著的優勢。它通過自適應地融合頻率、空間和時間域的顯著性特征，有效地抑制了背景干擾，生成了精確的目標顯著性圖。在 OTB2015、UAV123、LaSOT、VOT2018 等多個具有挑戰性的數據集上進行的大量實驗表明，HST - TT 算法在關鍵性能指標上超越了當前最先進的跟蹤算法，成功解決了因響應圖不準確導致的跟蹤精度低以及模板分支判別力有限引發的跟蹤失敗等問題。這不僅為目標跟蹤技術的實際應用提供了更可靠的保障，也為后續相關研究開辟了新的思路和方向，推動了計算機視覺領域中目標跟蹤技術的進一步發展。
