《表3 基于卷积特征的跟踪算法在OTB-2013上的准确率、精确度和跟踪速度》

  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

《基于前景感知的时空相关滤波跟踪算法》

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

为更好地表征目标物体的模式，本文跟踪器也结合深度特征并与其他基于深度学习的方法进行比较。在这里，对跟踪器组合VGG-M中conv1和conv5的网络输出，结合传统特征作为特征表达，同样采用成功率，精确度和跟踪速度作为衡量标准。表3为本文算法和其他基于深度学习方法在OTB-2013数据集上的对比。可以看出，在成功率和精确度上，本文算法表现良好，其中成功率比基于卷积特征的SRDCF提升了9.9%，比VOT2017比赛季军ECO提升了0.7%。在跟踪速度方面，SiamFC和CFNet都远超实时水平，而本文算法仅仅为10.6frame/s，这是由于本文图像在预训练的神经网络中进行前向传播需要经过多次的卷积池化计算来提取特征，这一点与SiamFC和CFNet相比，处于劣势。针对成功率曲线和横轴围成的面积，如图6所示，本文算法以0.711排名第一，deepSRDCF为0.641，前者比后者提高了7%。