《表3 6种算法的平均中心误差率（精确度）》

  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

《结合重检测机制的多卷积层特征响应跟踪算法》

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

图5、表3为6种算法的精确度，图6、表4为6种算法的成功率。从表3和表4的soccer实验精确度和成功率得到，本文算法精确度为0.726，成功率为0.573，比次优的CN算法分别提高了4.7%和7.2%。从图6的soccer实验成功率图得到，在重叠阈值大于0.7时，本文算法和CN算法比其他算法的成功率高，主要是在目标遮挡时，DSST算法跟踪失败，HCF算法和TCNN算法跟踪框漂移，CN算法通过目标颜色特征进行跟踪，避免背景信息的干扰。本文算法根据混合高斯模型有效区分了目标与背景信息；在重叠阈值小于0.7时，本文算法、TCNN算法和HCF算法比CN算法和DSST算法的成功率高，主要是在目标快速移动时，产生的边界效应影响了CN算法和DSST算法滤波器对位置响应，导致运动模型更新失败。从表3和表4的coke实验精确度和成功率得到，本文算法精确度为0.812，成功率为0.679，比次优的TCNN算法分别提高了6.1%和9.8%。从图5的coke实验精度图得到，本文算法比其他算法的精确度高，主要是视频中存在光照变化导致TLD跟踪框缩小，相关滤波算法的滤波器对叶子进行训练响应，导致目标跟踪失败，深度学习算法模型得出错误的候选框，而本文算法通过梯度加权的类激活映射得到深度特征图，然后多层滤波器融合特征图响应，得到目标精确定位的结果。从表3和表4的panda实验精确度和成功率得到，本文算法精确度为0.758，成功率为0.632，比次优的HCF算法分别提高了5.8%和5.5%。从图6的panda实验成功率图得到，深度学习算法比相关滤波算法的成功率高，主要是因为深度特征比手工特征对目标的表述更鲁棒。从表3和表4的bird1实验精确度和成功率得到，本文算法精确度为0.691，成功率为0.564，比次优的TCNN算法分别提高了6.4%和6.9%。从图5的bird1实验精度图得到，本文算法比其他算法的精度高，主要是在目标完全遮挡时，其他算法被背景信息进行错误响应，导致目标跟踪失败，而本文算法通过重检测机制平滑约束滤波器的响应值，重新找到图像中目标位置。从表3和表4的bolt实验精确度和成功率得到，本文算法精确度为0.745，成功率为0.617，比次优的TCNN算法分别提高了2.6%和4.1%。从图6的bolt实验成功率图得到，本文算法比其他算法的成功率高，主要原因是其他算法对目标周围进行采样时，决策边界位置正负样本存在模糊性，HCF算法跟踪框发生漂移，而CN算法、DSST算法跟踪失败，本文通过对Conv3和Conv5层分别自适应训练相关滤波器，缓解采样模糊时的模型更新问题，并通过融合响应来预测目标位置。从表3和表4的david3实验精确度和成功率得到，本文算法精确度为0.766，成功率为0.647，比次优的TCNN算法分别提高了2.7%和3.9%。从图5的david3实验精度图得到，深度学习算法比相关滤波算法的成功率高，主要是深度学习算法采用卷积层对目标提取特征，得到更优的表观模型，避免了目标旋转和背景杂乱导致的背景信息干扰。