引入全局上下文模块和高效注意力机制的车辆跟踪算法

孪生全卷积神经网络目标跟踪算法(SiamFC)近些年成为车辆跟踪领域的研究热点.但该算法缺乏对目标车辆的深层特征提取和整体感知,在背景复杂、低分辨率、光照变化的情况下容易跟丢.提出使用深度残差网络ResNet50作为主干网络,根据跟踪模型特性,从剪裁特征图、调整网络总步长和嵌入高效通道注意力模块三方面对其进行优化,高效提取特征的同时增强模型的差异化认知,并在分支网络引入全局上下文模块(non-local network,NLNet),增强跟踪模型对目标车辆的整体感知.经实验证明,提出的算法在低分辨率、光照变化和复杂背景的情况下跟踪速度和鲁棒性显著提升.在VOT2018和OTB2015数据集中测试均能得到较好的跟踪结果,与经典跟踪模型SiamFC相比,在OTB2015数据集中测试的跟踪精度提高了5.5％,跟踪成功率提高了2.7％,跟踪速度提高了14％可达98帧/s.