基于孿生區(qū)域候選網(wǎng)絡(luò)的無人機指定目標(biāo)跟蹤

鐘 莎，黃玉清

（西南科技大學(xué)信息工程學(xué)院，四川綿陽 621010）

（*通信作者電子郵箱hyq_851@163.com）

0 引言

目標(biāo)跟蹤是計算機視覺的熱點研究問題，隨著越來越多的圖像和視頻信息涌入到人們的生活中，目標(biāo)跟蹤逐漸應(yīng)用到了無人駕駛、視頻監(jiān)控、智能交通控制、智能人機交互等各種真實場景中。傳統(tǒng)的跟蹤算法分為生成式和判別式兩大類［1］：生成式是針對跟蹤目標(biāo)建立外觀數(shù)據(jù)先驗分布模型或者提取目標(biāo)特征，然后在后續(xù)幀中進行相似特征搜索，逐步迭代實現(xiàn)目標(biāo)定位；但生成式方法沒有全面利用圖像的背景信息，在目標(biāo)外觀發(fā)生變化、形變、運動模糊等真實場景下，模型的建立會受到巨大的影響。判別式方法將目標(biāo)模型和背景信息同時考慮在內(nèi)，通過對比目標(biāo)模型和背景信息的差異，將目標(biāo)模型提取出來，從而得到當(dāng)前幀中的目標(biāo)位置。

基于相關(guān)濾波的跟蹤器在準(zhǔn)確率和實時性上都表現(xiàn)出了優(yōu)越的性能，雖然深度學(xué)習(xí)已經(jīng)應(yīng)用到目標(biāo)跟蹤領(lǐng)域，但基于深度學(xué)習(xí)的跟蹤器性能一直無法超越相關(guān)濾波跟蹤器。孿生網(wǎng)絡(luò)通過度量方法衡量兩個輸入的相似度，最早應(yīng)用在判斷簽名是否一致上。后來，Tao 等［2］提出的孿生示例搜索跟蹤（Siamese INstance search for Tracking，SINT）算法，是第一個將孿生網(wǎng)絡(luò)應(yīng)用在目標(biāo)跟蹤領(lǐng)域的算法，它通過相似性學(xué)習(xí)的方式進行目標(biāo)跟蹤，將目標(biāo)跟蹤問題轉(zhuǎn)化為模塊匹配問題。該算法的提出引起了目標(biāo)跟蹤領(lǐng)域?qū)W者的廣泛關(guān)注。后來，Bertinetto 等［3］提出的全卷積孿生網(wǎng)絡(luò)（Fully-Convolutional Siamese networks，SiamFC）算法則將目標(biāo)跟蹤轉(zhuǎn)化為一種更通用的相似性學(xué)習(xí)問題，盡管網(wǎng)絡(luò)結(jié)構(gòu)非常簡單，但幀率遠(yuǎn)超實時性要求，每秒平均幀數(shù)（Frames Per Second，F(xiàn)PS）達(dá)到86，準(zhǔn)確率達(dá)53.35%，并且在多個基準(zhǔn)數(shù)據(jù)集上達(dá)到最優(yōu)性能；但SiamFC 采用的卷積神經(jīng)網(wǎng)絡(luò)是AlexNet（Alex Network，AlexNet）［4］，而且沒有模型更新，只是將第一幀作為模板幀進行計算，因此當(dāng)目標(biāo)外觀變化劇烈、運動模糊、照明不佳和尺度變化等問題時，將無法實現(xiàn)良好的跟蹤效果。在SiamFC 算法的思路下，Li 等［5］通過在SiamFC 網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上加入?yún)^(qū)域候選網(wǎng)絡(luò)（Region Proposal Network，RPN）［6］提出了孿生區(qū)域候選網(wǎng)絡(luò)（SiamRPN）算法。該算法的蹤速度是SiamFC 的兩倍，幀率達(dá)到160 FPS，準(zhǔn)確率也提高了，達(dá)到56%。針對孿生網(wǎng)絡(luò)無法從深度網(wǎng)絡(luò)中獲得更優(yōu)性能的問題，Li 等［7］提出了基于超深網(wǎng)絡(luò)的孿生區(qū)域候選（Siamese Region Proposal with very deep networks，SiamRPN++）算法，該算法無論是在速度還是準(zhǔn)確率上，都超越了相關(guān)濾波跟蹤器，并且是第一個將深度殘差網(wǎng)絡(luò)應(yīng)用于孿生網(wǎng)絡(luò)中并取得很好效果的算法。該算法采用有效的采樣策略打破了孿生網(wǎng)絡(luò)的空間不變性，采用分層的特征聚合結(jié)構(gòu)線性加權(quán)融合多層特征，提出了深度可分離的逐通道互相關(guān)結(jié)構(gòu)，并結(jié)合了RPN 以獲得分類和邊界框回歸的結(jié)果。

基于孿生網(wǎng)絡(luò)的跟蹤算法沒有在線更新模型，都是將第一幀作為模板幀，學(xué)習(xí)目標(biāo)特征將其與后續(xù)幀作對比。SiamRPN算法實時性超高，但準(zhǔn)確率沒有SiamRPN++算法高；且算法的上行通道模塊通道數(shù)多造成了參數(shù)分布的不平衡，互相關(guān)計算法復(fù)雜；該算法采用AlexNet 提取的特征，沒有深度殘差網(wǎng)絡(luò)（deep Residual Network，ResNet）［8］提取到的特征語義信息豐富，在目標(biāo)模糊和巨大變形時跟蹤效果不好。針對這些問題，本文提出了Attention-SiamRPN+算法。該算法采用改進的ResNet-50作為骨架網(wǎng)絡(luò)提取特征，能在減少計算量的同時獲得更豐富的語義信息；為了使提取到的特征更好地應(yīng)用于后續(xù)的逐通道深度互相關(guān)，并且對于無人機（Unmanned Aerial Vehicle，UAV）拍攝小目標(biāo)也能表現(xiàn)更好的跟蹤效果，引入通道注意力機制模塊篩選特征；保留SiamRPN算法中的RPN，借鑒文獻(xiàn)［7］中的分層特征融合，將卷積模塊后的RPN 融合，最后得到目標(biāo)跟蹤結(jié)果。最后將所提算法應(yīng)用于UAV 指定目標(biāo)的實時跟蹤，UAV 指定的小目標(biāo)跟蹤效果很好，框選的目標(biāo)位置很準(zhǔn)確，短時間的遮擋也能保持目標(biāo)不丟失，實時性可達(dá)70 FPS。

1 Attention-SiamRPN+

Attention-SiamRPN+算法也采用孿生網(wǎng)絡(luò)結(jié)構(gòu)，模板圖像分支與搜索圖像分支共享權(quán)值，模板圖像分支輸入圖像像素為127× 127× 3，搜索區(qū)域圖像像素為255× 255× 3。骨架網(wǎng)絡(luò)為改進的ResNet-50（詳見1.2 節(jié)），用作特征提取；注意力機制模塊銜接在ResNet-50 的conv4、conv5 模塊后，篩選殘差網(wǎng)絡(luò)提取出的有用特征并重新分配權(quán)值（詳見1.3 節(jié)）；之后，將篩選后的特征圖送入RPN 模塊，采用文獻(xiàn)［5］中的RPN模塊（分類和回歸函數(shù)見1.4.2 節(jié)）。在RPN 模塊中，首先進行深度互相關(guān)操作，互相關(guān)之后進行分類和邊界框回歸，分類是將圖像分為前景和背景，邊界框回歸是得到邊界框的中心左邊和寬高。RPN 模塊采用分層融合的方式，線性加權(quán)組合兩個RPN 的分類和回歸結(jié)果，本文算法的網(wǎng)絡(luò)結(jié)構(gòu)模型如圖1所示。

1.1 空間感知采樣策略

孿生網(wǎng)絡(luò)跟蹤器中使用的收縮部分和特征提取器具有嚴(yán)格的平移不變性的固有限制，表示為式（1），其中Δτj是平移移位子窗口運算符。收縮部分具有結(jié)構(gòu)對稱性的固有限制，適用于相似性學(xué)習(xí)，由式（2）表示。

由于想要從更深的網(wǎng)絡(luò)中獲得特征信息，采取深層網(wǎng)絡(luò)不可避免要進行填充以使網(wǎng)絡(luò)更深，從而會破壞嚴(yán)格的平移不變性。文獻(xiàn)［7］中的實驗表明，均勻分布的采樣方式讓目標(biāo)在中心點附近進行偏移，定量結(jié)果中32 位移熱圖更接近測試對象的位置分布。為了避免對象產(chǎn)生強烈的中心偏差，通過空間感知采樣策略使用ResNet-50主干網(wǎng)絡(luò)訓(xùn)練SiamRPN，偏移64 像素使得訓(xùn)練深度的孿生跟蹤器效果最好，因此本文中直接采用結(jié)果最好的64像素位移進行采樣。

1.2 改進的ResNet-50

ResNet 是2015 年提出的深度殘差網(wǎng)絡(luò)，有兩種殘差單元。深度殘差網(wǎng)絡(luò)的原理是假定某段神經(jīng)網(wǎng)絡(luò)的輸入是y，網(wǎng)絡(luò)單元期望輸出是H(y)，如果直接把輸入y傳到輸出作為初始結(jié)果，那么此時需要學(xué)習(xí)的目標(biāo)就是F(y)=H(y) -y，如圖2 所示，這就是一個ResNet 的殘差學(xué)習(xí)單元。ResNet 相較于其他網(wǎng)絡(luò)是將學(xué)習(xí)目標(biāo)做了變化，不同于其他網(wǎng)絡(luò)是學(xué)習(xí)一個完整的輸出H(y)。ResNet 只是輸出和輸入的差(H(y) -y)，即殘差。殘差單元模塊通過快捷連接（shortcut connection）實現(xiàn)，通過shortcut將這個模塊的輸入和輸出進行一個元素方面（element-wise）的疊加。

根據(jù)文獻(xiàn)［9］中實驗的結(jié)論，8倍上采樣比32倍上采樣效果好很多，得到的圖像細(xì)節(jié)更多［9］，原ResNet 具有32 像素的大步幅，不適用于密集的孿生網(wǎng)絡(luò)預(yù)測，為了跟蹤時定位更準(zhǔn)確，通過將conv4 和conv5 卷積塊修改為具有單位空間步幅，最后兩個塊的有效步幅從16 個像素和32 個像素減少到8 個像素，并且通過擴張卷積來增加其接受場，這樣設(shè)置是為了增加感受野和利用上預(yù)訓(xùn)練參數(shù)。而且本文為了獲得深層特征，避免層數(shù)過多，無法滿足實時性，根據(jù)文獻(xiàn)［7］中的消融實驗，保留了對跟蹤性能貢獻(xiàn)最多的conv4 和conv5 卷積塊，去除了ResNet-50中的conv3卷積塊，這樣可以使計算量更小，使算法實時性更高。由于保留了所有圖層的填充，因此模板特征的空間大小增加到15，這給后續(xù)的深度互相關(guān)模塊帶來了很大的計算負(fù)擔(dān)。因此，本文將中心7× 7區(qū)域裁剪為模板特征，其中每個特征單元仍然可以捕獲整個目標(biāo)區(qū)域。在實驗中多次調(diào)試ResNet，發(fā)現(xiàn)將ResNet 特征提取器的學(xué)習(xí)率設(shè)置為RPN的1/10，特征表示會更適合于跟蹤任務(wù)。

圖1 Attention-SiamRPN+算法網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Network structure of Attention-SiamRPN+algorithm

圖2 殘差網(wǎng)絡(luò)單元Fig.2 Residual network unit

1.3 注意力機制網(wǎng)絡(luò)

通道注意力機制是對卷積網(wǎng)絡(luò)提取出的不同通道特征圖的語義屬性進行篩選的過程［10-11］。每個通道特征表示圖像在不同卷積核上的分量，是由卷積層提取到的，而每個通道的特征表示紋理、顏色等不同類別的特征。在各種跟蹤環(huán)境中，通道的特征都是不同的，定位目標(biāo)時需要更多淺層的顏色、形狀等特征，而在多個目標(biāo)相似時又需要更深的特征來描述目標(biāo)。通道注意力機制模塊的原理是將殘差網(wǎng)絡(luò)提取到的特征通道重新分配權(quán)值，與模板目標(biāo)特征相關(guān)度越大的權(quán)值越大，相關(guān)度越小的權(quán)值越小。

本文算法中的深度互相關(guān)是根據(jù)文獻(xiàn)［7］中的結(jié)論做的改進，由于深度互相關(guān)得到的特征通道都是兩兩正交的，因此本文在深度互相關(guān)模塊前引入通道注意力機制，篩選貢獻(xiàn)更大、更有效的特征，使得后續(xù)的深度互相關(guān)作出更有效的特征響應(yīng)；因為本文算法將應(yīng)用于UAV 指定目標(biāo)跟蹤，增加注意力機制也使算法更適用于小目標(biāo)跟蹤。并且以此訓(xùn)練的網(wǎng)絡(luò)模型對于目標(biāo)外觀變化以及背景環(huán)境變化劇烈的情況下，會有更好的適應(yīng)能力。

通道注意力塊由具有全局平均池化層（Global Average Pooling，GAP）、修正線性單元層（Rectified Linear Unit，ReLU）和具有Sigmoid 激活的降維層組成，如圖3 所示。給定一組通道特征c)，通道注意力參數(shù)由β（如式（3））表示，網(wǎng)絡(luò)的輸出表示為對輸入執(zhí)行通道級的重新縮放，由式（4）可得網(wǎng)絡(luò)的輸出值。本文算法中，在骨干網(wǎng)絡(luò)改進的ResNet-50 的conv4、conv5 卷積模塊后加入通道注意力機制模塊，使得訓(xùn)練的深度網(wǎng)絡(luò)增強對目標(biāo)外觀變化的適應(yīng)能力，在某些特定環(huán)境下，跟蹤器的性能更好。

其中：δ為ReLU函數(shù)；σ為Sigmoid函數(shù)。

圖3 通道注意力機制網(wǎng)絡(luò)Fig.3 Channel attention mechanism network

1.4 RPN+RPN融合

1.4.1 互相關(guān)

基于Siamese 網(wǎng)絡(luò)的跟蹤算法將視覺跟蹤公式化為互相關(guān)問題，并從具有孿生網(wǎng)絡(luò)結(jié)構(gòu)模型中學(xué)習(xí)跟蹤相似度圖的深層模型，一個分支用于學(xué)習(xí)目標(biāo)特征表示，另一個分支用來搜索區(qū)域。目標(biāo)區(qū)域在序列的第一幀中框出，看作模板示例z，在后續(xù)幀x中找到最相似的區(qū)域，用式（5）表示此過程：

其中：φ(z)代表孿生網(wǎng)絡(luò)特征提取器的模板分支輸出；φ(x)代表孿生網(wǎng)路特征提取器搜索分支輸出；*代表相關(guān)運算；b用于建模相似度值的偏移量。

SiamFC 算法中利用互相關(guān)層獲得用于目標(biāo)定位的單個通道響應(yīng)圖；在SiamRPN 算法中，通過添加巨大的卷積層來縮放通道（UP-Xcorr），互相關(guān)被擴展為嵌入更高級別的信息，例如錨點。繁重的上行通道模塊造成了嚴(yán)重的參數(shù)分布不平衡（例如RPN 模塊包含20M個參數(shù)，而特征提取模塊僅包含4M個參數(shù)，M表示未知數(shù)），這使得訓(xùn)練優(yōu)化很難在SiamRPN中進行，并且邊界框預(yù)測和基于錨的分類是不對稱的。為了對差異進行編碼，模板分支和搜索分支通過兩個非共享的1×1 卷積層，將通道減少到256，然后具有相同通道數(shù)的兩個特征圖逐通道進行相關(guān)運算，分類和回歸分支各自互相關(guān)運算如式（6）所示。

1.4.2 RPN

RPN 由深度互相關(guān)、分類與回歸三部分組成，結(jié)構(gòu)如圖4所示。

圖4 RPN結(jié)構(gòu)Fig.4 Structure of RPN

本文中的互相關(guān)采用的是深度互相關(guān)，逐通道地作相關(guān)運算；分類是用于前景和背景的分類；回歸是用于候選區(qū)域的回歸，生成邊界框的位置。假設(shè)有k個錨點，則RPN 需要輸出2k個分類通道和4k個回歸通道，分類損失函數(shù)采用快速區(qū)域卷積網(wǎng)絡(luò)（Faster Region-Convolutional Neural Network，F(xiàn)aster R-CNN）［6］算法中的損失函數(shù)，即交叉熵?fù)p失，如式（7）所示：

其中：yi為第i個樣本的值；pi為其概率值。邊界框回歸采用具有標(biāo)準(zhǔn)化坐標(biāo)的平滑損失L1，假設(shè)Ax、Ay、Aw、Ah表示錨點框的中心點和形狀，Tx、Ty、Tw、Th表示真值框的中心點和形狀，歸一化距離為式（8）所示。然后經(jīng)過平滑的L1損失，如式（9）所示，那么回歸的損失可表示如式（10）。最后總的損失函數(shù)如式（11）。

其中：λ為超參數(shù)，用來平衡回歸和分類兩個分支。

1.4.3 RPN分層特征融合

算法的骨干網(wǎng)絡(luò)是ResNet-50，采用了深度網(wǎng)絡(luò)提取特征，如果只獲取最后一層網(wǎng)絡(luò)提取的特征，就只會獲得深層特征。視覺跟蹤需要豐富的表示形式，其范圍從低到高、縮放范圍從小到大、分辨率從精細(xì)到粗糙。即使卷積網(wǎng)絡(luò)中的特征深度很大，但僅靠隔離層還是不夠的，將這些表示進行復(fù)合和聚合可改善對識別和定位的推斷。淺層特征主要集中于顏色、形狀等低級信息，這對于目標(biāo)定位是必不可少的，但淺層特征缺少語義信息；深層特征具有豐富的語義信息，這在某些挑戰(zhàn)性場景（例如運動模糊、巨大變形）中可能是有益的。Fan等［12］提出的孿生級聯(lián)區(qū)域生成網(wǎng)絡(luò)（Siamese Cascaded Region Proposal Network，C-RPN）算法將三個RPN 模塊級聯(lián)起來，這種堆疊的思路使得算法的精度有所提高。算法中使用豐富的分層信息來幫助跟蹤，在網(wǎng)絡(luò)中提取了多分支特征以協(xié)同推斷目標(biāo)定位。對于改進的殘差網(wǎng)絡(luò)ResNet-50，從最后兩個殘差塊提取多層特征，以進行分層融合，將這些輸出分別稱為F4(z)和F5(z)。如圖1 所示，conv4、conv5 的輸出分別饋入通道注意力機制模塊和RPN，由于兩個RPN 模塊的輸出大小具有相同的空間分辨率，因此加權(quán)總和直接用于分類和邊界框回歸的輸出，加權(quán)融合層conv-bn-relu 模塊將所有輸出組合在一起，如式（12）所示。

2 實驗與結(jié)果分析

2.1 實驗環(huán)境

實驗平臺是使用Linux 16.04 版本下Pytorch 0.4.1 框架的Python語言搭建，CPU處理器為Intel Xeon e3-1231-v3，內(nèi)存是1 TB，GPU顯卡為GTX1080Ti，顯存為11 GB。

2.2 網(wǎng)絡(luò)訓(xùn)練

本文算法的骨干網(wǎng)絡(luò)在ImageNet［13］數(shù)據(jù)集上進行預(yù)訓(xùn)練，用于圖像標(biāo)記。整個網(wǎng)絡(luò)模型在ImageNet DET 和ImageNet VID 數(shù)據(jù)集的訓(xùn)練集上訓(xùn)練網(wǎng)絡(luò)。在訓(xùn)練和測試中，使用單尺度圖像，其中模板圖像為127×127 像素，搜索區(qū)域圖像為255×255，批處理圖像個數(shù)為28（14對）。

網(wǎng)絡(luò)訓(xùn)練和設(shè)置借鑒文獻(xiàn)［14］，將兩個同級卷積層附加到經(jīng)過大幅縮減的ResNet-50 中，以使用5 個錨點執(zhí)行候選分類和邊界框回歸，其中錨點率設(shè)置為［0.33，0.5，1，2，3］。本文使用0.001 的熱身學(xué)習(xí)速率訓(xùn)練RPN 分支的前5 輪迭代（epoch），最后15 個epoch 對整個網(wǎng)絡(luò)進行了端到端訓(xùn)練。初始學(xué)習(xí)率（lr）為0.005，訓(xùn)練期間使用0.000 5的衰減和0.9的動量值（momentum），最終學(xué)習(xí)率下降到0.000 5，整個訓(xùn)練周期為428 460 次。整個網(wǎng)絡(luò)訓(xùn)練損失是分類損失和用于回歸的標(biāo)準(zhǔn)平滑L1損失之和，分類損失權(quán)值初始設(shè)置為1，回歸權(quán)值初始設(shè)置為1.2。

2.3 算法評估

本文算法評估的測試視頻序列來源于權(quán)威的目標(biāo)跟蹤算法評估平臺VOT和OTB，VOT2018［15］中包含了各種大小物體、尺度變化大、目標(biāo)遮擋嚴(yán)重、運動快速等跟蹤難點，總共60 段視頻序列；OTB2015［16］包含了OTB50 中的所有視頻以及再更新的視頻總共100 段視頻序列。本文在VOT2018 平臺測試中，測試了準(zhǔn)確率（Accuracy）、預(yù)期平均重疊率（Expected Averaged Overlap，EAO）；在OTB2015 平臺測試中，采用了一次通過評估模式（One-Pass Evaluation，OPE），通過成功率曲線和精度曲線對算法性能評估。成功率曲線計算跟蹤重疊率大于某個閾值的幀數(shù)占所有幀數(shù)的百分比，其中重疊率是指目標(biāo)跟蹤框與真實目標(biāo)框的重疊面積與總面積之比，本文設(shè)定重疊率閾值為0.65。精度曲線為追蹤算法估計的目標(biāo)位置（bounding box）的中心點與人工標(biāo)注（ground-truth）的目標(biāo)的中心點，這兩者的距離（中心位置誤差）小于給定閾值的視頻幀的百分比，本文設(shè)置的像素閾值為20。以每秒平均幀數(shù)（FPS）來代表跟蹤算法速度。測試跟蹤器時的學(xué)習(xí)率lr=0.33，窗口影響因子Window_Influence=0.04，懲罰因子Penalty_K=0.04。

表1為四種算法在VOT2018和OTB2015平臺上各種指標(biāo)評估結(jié)果，圖5 為OTB2015 平臺上的四種算法的成功率與精度曲線圖、VOT2018 平臺上的預(yù)期平均重疊率排序圖。ECOHC 表示提取方向梯度直方圖（Histogram of Oriented Gradient，HOG）和顏色（Color）特征的高效卷積算子（Efficient Convolution Operators，ECO）跟蹤算法。在VOT2018 平臺評估中，本文算法的準(zhǔn)確率、預(yù)期平均重疊率、成功率、精度分別為59.4%、39.5%、68.7%、89.4%，比其他三種算法要好，其中SiamRPN 算法是速度最快的算法，幀率高達(dá)160 FPS，但是其準(zhǔn)確率沒有本文算法高。圖6、7 為四種算法針對評估平臺上的某兩段視頻序列的跟蹤結(jié)果，選取的兩段視頻序列分別是運動模糊的車輛和無人機跟拍的遠(yuǎn)距離目標(biāo)。在視頻1 中，車輛存在運動模糊的現(xiàn)象；視頻2 中目標(biāo)較小，且運動過程中存在遮擋和尺度變化的現(xiàn)象。從兩段視頻序列跟蹤結(jié)果可以看出，本文算法無論是在運動模糊環(huán)境中，還是在小目標(biāo)、尺度變化大的情景中，都表現(xiàn)出更優(yōu)的跟蹤結(jié)果。

表1 四種算法評估指標(biāo)Tab.1 Evaluation indicators of four algorithms

圖5 四種算法評估結(jié)果Fig.5 Evaluation results of four algorithms

2.4 Attention-SiamRPN+算法應(yīng)用于無人機指定目標(biāo)跟蹤

無人機拍攝的視頻序列存在目標(biāo)模糊、視頻抖動、尺度變化、目標(biāo)小等問題，現(xiàn)將所提算法應(yīng)用于無人機指定目標(biāo)跟蹤中，分析算法對于無人機指定目標(biāo)的跟蹤性能，并給出與其他三種算法對比的跟蹤結(jié)果。

針對無人機視頻序列的四種算法對比，如圖8 為四種算法跟蹤結(jié)果。本文算法在目標(biāo)模糊、尺度變化大時都能很好地適應(yīng)，準(zhǔn)確地定位框選出目標(biāo)位置，短時間的遮擋能準(zhǔn)確定位目標(biāo)，長時間的遮擋無法很好定位目標(biāo)，因為該算法和其他孿生跟蹤算法都是基于第一幀目標(biāo)進行學(xué)習(xí)訓(xùn)練的，沒有在線更新模型，并且缺乏預(yù)測機制，當(dāng)目標(biāo)短時間的遮擋時，還能保持前幾幀的學(xué)習(xí)特征，定位出目標(biāo)，但長時間的遮擋就會導(dǎo)致目標(biāo)跟丟。ECO-HC 算法因為遮擋目標(biāo)定位不準(zhǔn)確；SiamFC 算法因為目標(biāo)遮擋導(dǎo)致跟丟目標(biāo)；SiamRPN 算法因為有相似目標(biāo)，框選了其他物體和目標(biāo)。四種算法的速度分別為：47.7 FPS（SiamFC），51.6 FPS（ECO-HC），139.8 FPS（SiamRPN），64.5 FPS（Attention-SiamRPN+）。本文算法的實時性第二，雖然沒有SiamRPN 算法的實時性高，但是已滿足實際無人機目標(biāo)跟蹤實時性的要求，并且準(zhǔn)確率更高。

圖6 視頻1跟蹤結(jié)果Fig.6 Video 1 tracking results

圖7 視頻2跟蹤結(jié)果Fig.7 Video 2 tracking results

圖8 無人機拍攝視頻跟蹤結(jié)果Fig.8 UAV shooting video tracking results

3 結(jié)語

針對無人機指定目標(biāo)跟蹤中運動模糊、目標(biāo)小、目標(biāo)抖動等問題，本文提出了基于孿生區(qū)域候選注意力機制網(wǎng)絡(luò)的跟蹤算法Attention-SiamRPN+。該算法采用改進的ResNet-50提取特征，引入注意力機制模塊篩選特征，最后用RPN 實現(xiàn)分類與邊界框回歸。實驗結(jié)果表明：增加的注意力機制模塊使得模型可以更好地適應(yīng)環(huán)境以及目標(biāo)的變化；ResNet-50可以提高算法的實時性，以更適用于無人機的指定目標(biāo)實時跟蹤。本文算法中沿用目標(biāo)檢測算法的損失函數(shù)，對于目標(biāo)的框選不是特別精確，未來的研究重點是針對損失函數(shù)做改進，使算法更適用于目標(biāo)的定位。