基于联合优化的强耦合孪生区域推荐网络的目标跟踪算法

摘要

针对区域推荐网络(RPN)在目标跟踪任务中出现的最大分类分数与最佳边框不匹配的问题,提出一种基于联合优化的强耦合孪生区域推荐跟踪算法(SCSiamRPN).首先,采用Bounded IoU方法来优化正样本交并比(IoU)值的计算,通过分解公式、固定变量、替换差值和约束近似的操作来简化计算过程.然后,优化损失函数结构,通过在分类损失函数中添加以IoU值为纽带的耦合因子来联合分类任务和边框回归任务,以提升高IoU样本的损失值;通过在边框回归损失函数中添加以IoU为主变量的加权系数来提高目标中心样本的贡献,以提升边框定位精度.仿真结果显示:SCSiamRPN算法在OTB100数据集上的精度和成功率为0.86和0.64;同基于孪生区域推荐候选网络的高性能单目标跟踪(SiamRPN)算法相比,均有3％的提升.实验结果表明:SCSiamRPN算法解决了最大分类分数与最佳边框不匹配的问题,增强了分类和边框回归任务的耦合性,且在不损失跟踪速度的前提下实现了跟踪精度的较大幅度提升.