系统工程与电子技术 ›› 2022, Vol. 44 ›› Issue (8): 2448-2456.doi: 10.12305/j.issn.1001-506X.2022.08.08

• 电子技术 • 上一篇    下一篇

基于多模型蒸馏的时间正则化相关滤波跟踪算法

仇祝令1, 查宇飞2,3,*, 李振宇1, 李禹铭1, 张鹏1, 朱川1   

  1. 1. 中国人民解放军63787部队, 新疆 石河子 832099
    2. 西北工业大学计算机学院, 陕西 西安 710072
    3. 西北工业大学宁波研究院, 浙江 宁波 315000
  • 收稿日期:2021-08-24 出版日期:2022-08-01 发布日期:2022-08-24
  • 通讯作者: 查宇飞
  • 作者简介:仇祝令 (1995—), 男, 硕士研究生, 主要研究方向为目标跟踪、机器学习以及计算机视觉|查宇飞 (1979—), 男, 副教授, 博士研究生导师, 主要研究方向为机器学习、计算机视觉、目标跟踪、目标检测、人工智能|李振宇 (1990—), 男, 硕士, 主要研究方向为目标跟踪、信号处理|李禹铭 (1996—), 男, 本科, 主要研究方向为计算机信号处理、机器学习|张鹏 (1985—), 男, 本科, 主要研究方向为目标跟踪、图像处理以及计算机视觉|朱川 (1986—), 男, 本科, 主要研究方向为目标跟踪、图像检测与跟踪
  • 基金资助:
    国家自然科学基金(61773397);国家自然科学基金(61703423);国家自然科学基金(61701524);宁波自然科学基金(2021J049)

Temporal regularized correlation filter tracking algorithm based on multi-model distillation

Zhuling QIU1, Yufei ZHA2,3,*, Zhenyu LI1, Yuming LI1, Peng ZHANG1, Chuan ZHU1   

  1. 1. Unit 63787 of the PLA, Shihezi 832099, China
    2. School of Computer Science, Northwestern Polytechnical University, Xi'an 710072, China
    3. Ningbo Institute of Northwestern Polytechnical University, Ningbo 315000, China
  • Received:2021-08-24 Online:2022-08-01 Published:2022-08-24
  • Contact: Yufei ZHA

摘要:

目前大多数基于相关滤波的跟踪方法是通过对模型采取简单的线性加权融合或是将历史模型作为时间正则化项来约束模型更新的方式, 增强滤波器对目标的判别能力, 但这种方式对目标时域信息利用有限, 容易造成模型退化漂移。本文提出一种基于多模型蒸馏的时间正则化相关滤波跟踪算法, 该方法通过收集跟踪过程中利用当前样本产生的独立模型, 在建立包含背景信息的局部样本库中来指导滤波器更新, 以此保留目标在时域中的鲁棒特征。同时,根据每一个模型对当前目标的表征能力不同进行可靠性权值更新。最后,利用交替方向乘子(alternating direction multiplier,ADMM)算法进行模型迭代优化。通过在大量的数据库进行实验, 结果表明本文的方法在精确度与成功率上有了大幅提升。

关键词: 目标跟踪, 相关滤波, 蒸馏学习, 时间正则化

Abstract:

At present, most correlation filter based tracking methods adopts simple linear weighted fusion of the model or use the historical model as the temporal regularization term to constrain the model update, which can enhance the ability of the filter to discriminate the target. However, this method cannot make full use of the information of the target, which is easy to cause model degradation and drift. This paper proposes a temporal regularized correlation filter based on multi-model distillation for visual tracking. This method collects the independent model generated by the current sample in the tracking process, which can guide the filter update in the local sample library containing background information. This can retain the robust features of the target in the temporal domain. At the same time, the reliability weight is updated according to the different characterization ability of each model for the current target. Finally, the alternating direction multiplier (ADMM) algorithm is used to iteratively optimize the model. A large number of experimental results in the databases show that the precision and success rate of the method have been greatly improved.

Key words: target tracking, correlation filter, distillation learning, temporal regularization

中图分类号: