《表2 本文算法与其他算法在VOT2016数据集中的实验结果对比》

  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

《孪生导向锚框RPN网络实时目标跟踪》

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

注:加粗字体表示各列最优结果。

VOT2016数据集和VOT2015数据集具有一样的序列集，不一样的是VOT2016数据集通过自动的方法对样本进行了重新标注边框。本文算法与在VOT2016数据集上排名靠前的视频目标跟踪算法的比较结果如表2所示。可以看出，本文算法与SiamRPN算法相比，准确性提高了3.6%，鲁棒性提高了6.6%。跟踪速率为136.28帧/s，虽然不及SiamRPN算法，但是也远快于其他算法，达到了实时跟踪的要求。图4为本文算法与对比算法在VOT2016数据集上的实验结果。序列basketball中，目标发生了快速移动、尺度变化和遮挡，在第12帧时目标发生了遮挡，MDNet算法的表现较差，只跟踪到了目标的一小部分；在第41帧和第96帧时目标快速移动，CCTO和EBT算法出现了轻微的漂移，不能很好地跟踪目标。序列butterfly中，目标发生了尺度变化和光照影响，在第35帧时目标发生了尺度变换，Staple算法的表现较差，只跟踪到目标的一小部分；在第100帧和第139帧时目标发生了尺度变换并受到光照影响，由于前面误差的累积导致CCTO、EBT和MDNet算法的跟踪框出现了漂移，不能很好地进行跟踪。