·730· 智能系统学报 第14卷 文追踪器在进行位置确定的时候，利用了外形信 少的边框漂移现象。以上的结果表明本文的追踪 息来抑制原本位置响应中的噪声点，所以具有较 器具有优秀的追踪效果。 本文[0.624] CFNet conv3 [0.610] 一本文0.849 MEEM0.830] SiamFC 3s [0.608] Staple [0.600] ACFN-selNet [0.823] CFNet conv3 [0.822] DSST [0.595] ACFN-selNet [0.589] SiamFC 3s [0.809] fDSST [0.802] SAMF [0.579] MEEM [0.566] ACFN-attNet [0.794] Staple [0.793] ACFN-attNet [0.563] DSsT0.554] SAMF [0.785] KCF LinearHOG AT [0.766] KCF LinearHOG AT [0.539] ---KCF0.5141 KCF0.740] DSsT[0.740] 1.0r 1.0r 0.9 0.9 0.8 0.8 0.7 0.7 解0.6 0.6 0.5 Ξ0.4 05 0.4 0.3 0.3 0.2 0.2 0.1 00.10.20.30.40.50.60.70.80.91.0 0 5101520253035404550 重叠率圆值 中心误差阀值 (a)成功图 b)精度图 图8测试结果 Fig.8 The results of object tracking benchmark 本文 SiamFC 3s CFNet conv3 -Staple KCE 出0020 #0010 #0100 #0043 (a)DragonBaby (b)MotorRolling (c)Skiing 图9追踪效果直观感受 Fig.9 The direct feeling of our tracker 3.5直观效果 标追踪中卷积位置响应的结果，从而指导如何修 在追踪测试平台的测试序列中，每个序列都 正目标跟踪中的卷积响应。通过分析可知：卷积 包含了多个干扰因素。从这么多的测试序列中取 网络抽离出的卷积特征类似于局部性、方向性的 得优秀的追踪效果是相当不容易，由于本文使用 特征，是碎片化的，在进行位置匹配的时候，可以 了外形信息来对目标的位置响应进行噪声抑 通过突出目标区域的方式来缓和这种碎片化特 制，所以从上面的测试平台给出的追踪结果可 征的影响。和最近几年优秀的追踪器相比，该思 知，本文的追踪器具有优秀的追踪能力，但由于 路具有一定的可行性，能够有效提高目标位置定 篇幅限制，这里给出几组具有代表性的视频序列追 位的精度。接下来的工作可以进一步探究如何缩 踪效果的直观展示，如图9所示，正红为本文追踪器。 短位置响应的时间：本文卷积网络的许多特征之 4结束语 间具有很高的相似性，是否可以直接通过稀疏化 的方式来实现抑制位置响应中的噪声也是值得研 本文尝试从理解卷积特征的基础上来理解目 究的。文追踪器在进行位置确定的时候，利用了外形信 息来抑制原本位置响应中的噪声点，所以具有较 少的边框漂移现象。以上的结果表明本文的追踪 器具有优秀的追踪效果。 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 重叠率阈值 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 成功率 5 10 15 20 25 30 35 40 45 50 中心误差阈值 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 精度 本文 [0.624] CFNet_conv3 [0.610] SiamFC_3s [0.608] Staple [0.600] fDSST [0.595] ACFN-selNet [0.589] SAMF [0.579] MEEM [0.566] ACFN-attNet [0.563] DSST [0.554] KCF_LinearHOG_AT [0.539] KCF [0.514] 本文 [0.849] MEEM [0.830] ACFN-selNet [0.823] CFNet_conv3 [0.822] SiamFC_3s [0.809] fDSST [0.802] ACFN-attNet [0.794] Staple [0.793] SAMF [0.785] KCF_LinearHOG_AT [0.766] KCF [0.740] DSST [0.740] (a) 成功图 (b) 精度图 图 8 测试结果 Fig. 8 The results of object tracking benchmark #0045 #0030 #0010 #0090 #0100 #0043 (a) DragonBaby (b) MotorRolling (c) Skiing 本文 SiamFC_3s CFNet_conv3 Staple KCF 图 9 追踪效果直观感受 Fig. 9 The direct feeling of our tracker 3.5 直观效果 在追踪测试平台的测试序列中，每个序列都 包含了多个干扰因素。从这么多的测试序列中取 得优秀的追踪效果是相当不容易，由于本文使用 了外形信息来对目标的位置响应进行噪声抑 制，所以从上面的测试平台给出的追踪结果可 知，本文的追踪器具有优秀的追踪能力，但由于 篇幅限制，这里给出几组具有代表性的视频序列追 踪效果的直观展示，如图 9 所示，正红为本文追踪器。 4 结束语 本文尝试从理解卷积特征的基础上来理解目 标追踪中卷积位置响应的结果，从而指导如何修 正目标跟踪中的卷积响应。通过分析可知：卷积 网络抽离出的卷积特征类似于局部性、方向性的 特征，是碎片化的，在进行位置匹配的时候，可以 通过突出目标区域的方式来缓和这种碎片化特 征的影响。和最近几年优秀的追踪器相比，该思 路具有一定的可行性，能够有效提高目标位置定 位的精度。接下来的工作可以进一步探究如何缩 短位置响应的时间；本文卷积网络的许多特征之 间具有很高的相似性，是否可以直接通过稀疏化 的方式来实现抑制位置响应中的噪声也是值得研 究的。 ·730· 智 能 系 统 学 报 第 14 卷