《表2 本文方法和对比方法在不同场景属性下的OP值》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《相关滤波融合卷积残差学习的目标跟踪算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

可以看出在OTB-2013数据集上本文方法的DP为89.2%，OP为67.1%，在OTB-2015数据集上本文方法ours的DP为89.4%，OP为67.0%，都超过了9个对比方法。在OTB-2015数据集上，同样采用端到端学习，本文方法比SiamFC在DP和OP上分别提升了12.3%和8.8%，证明了基于相关滤波的多特征融合更具鲁棒性。相比同样采用多特征融合的Staple（融合了HOG特征和颜色特征）和SAMF（融合灰度特征、HOG特征和颜色特征），本文方法在DP上分别提升了11.0%和14.3%，在OP上分别提升了8.9%和11.7%，表明了深度学习方法更能有效利用待跟踪目标的语义信息，提升跟踪精度和准确率。在OTB-2015数据集上，本文算法在面临11类困难场景的挑战下，同样表现出了良好的跟踪性能。如表1和表2所示。