لمعالجة مشكلة انخفاض أداء التتبع في تتبع الهدف الفردي بسبب التعتيم على الهدف وتداخل الأشياء المتشابهة، قدم هذا البحث خوارزمية تتبع أهداف تعتمد على Transformer ومسار التتبع. تستخدم الخوارزمية Vision Transformer (ViT) كشبكة رئيسية، وللتخفيف من حساسية Transformer للمعلومات الخلفية خلال استخراج الميزات، قدمت طبقة تركيز لتعديل توزيع الانتباه، مما يعزز أوزان منطقة الهدف ويكبت ضوضاء الخلفية؛ في الوقت نفسه، تم تصميم وحدة انتباه مختلطة لفصل ميزات القالب ومنطقة البحث، حيث يستخدم القالب آلية الانتباه الذاتي لتعزيز ميزات الهدف، وتدمج منطقة البحث السياق العالمي من خلال الانتباه المتقاطع. بالإضافة إلى ذلك، تدخل الخوارزمية معالجًا لاحقًا يعتمد على مسار التتبع، حيث تُبنى سلسلة نتائج التتبع التاريخية إلى مسار هدف، ويُستخدم مرشح كالمان لتقييم موثوقية إطار التنبؤ. إذا كانت الموثوقية أعلى من العتبة المحددة، يتم إخراج الإطار المتوقع مباشرة؛ وإلا، تتم عملية تتبع عكسي للإطار المتوقع والأطر المرشحة لتوليد مسارات متعددة وحساب تطابقها مع مسار الهدف، مع اختيار أفضل إطار لتحسين نتائج التتبع. خلال مرحلة التدريب، يُستخدم دالة خسارة EIoU لضبط إطارات الحدود، مما يعزز دقة التحديد بشكل أكبر. تظهر النتائج التجريبية أن الخوارزمية المقترحة تحقق متوسط تداخل (AO) بنسبة 74.6% على مجموعة بيانات GOT-10K، ودقة (P) بنسبة 91.4% على مجموعة UAV123، كما تظهر أداء تتبع ممتاز في مجموعات بيانات LaSOT وTrackingNet وOTB100. تؤكد النتائج المرئية أن الخوارزمية تحافظ على تتبع مستقر ودقيق حتى في المشاهد المعقدة التي تتضمن التعتيم وتداخل الأشياء المتشابهة.

تتبع الهدف;آلية الانتباه;مسار التتبع;تعتيم الهدف;تداخل الأشياء المتشابهة