《表2 本文算法与其他算法在VOT2016数据集中的实验结果对比》
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。
图表编号 | XD00216438300 严禁用于非法目的 |
---|---|
绘制时间 | 2021.02.16 |
作者 | 尚欣茹、温尧乐、奚雪峰、胡伏原 |
绘制单位 | 苏州科技大学电子与信息工程学院、苏州科技大学苏州市大数据与信息服务重点实验室、苏州科技大学电子与信息工程学院、苏州科技大学苏州市大数据与信息服务重点实验室、苏州科技大学电子与信息工程学院、苏州科技大学苏州市虚拟现实智能交互及应用技术重点实验室、苏州科技大学电子与信息工程学院、苏州科技大学苏州市虚拟现实智能交互及应用技术重点实验室 |
更多格式 | 高清、无水印(增值服务) |