Resumen

El objetivo y el fondo cambiarán continuamente en el proceso de seguimiento a largo plazo, lo que supone grandes desafíos para la predicción precisa de los objetivos. El algoritmo de filtro de correlación basado en características manuales es difícil de satisfacer las necesidades actuales debido a su capacidad limitada de representación de características. Por lo tanto, para mejorar el rendimiento y la robustez del seguimiento, se propone un modelo de características convolucionales jerárquicas mejorado dentro de un marco de filtro de correlación para el seguimiento visual de objetos. En primer lugar, se diseña la función objetivo mediante modelado de regresión Lasso, y se aprende un filtro escaso, de series temporales y de rango bajo para aumentar la interpretabilidad del modelo. En segundo lugar, se extraen las características de la última capa y la segunda capa de agrupación de la red neuronal convolucional para realizar la predicción de la posición del objetivo de manera gradual. Además, utilizando los filtros aprendidos del primer fotograma y del fotograma actual para calcular los mapas de respuesta, respectivamente, la posición del

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Objetivo; Antecedentes; Algoritmo de filtro de correlación; Modelo de características convolucionales jerárquicas; Seguimiento visual de objetos; Red neuronal convolucional
• Keywords:Target; Background; Correlation filter algorithm; Hierarchical convolutional features model; Visual object tracking; Convolutional neural network