Um das Problem der Leistungsabnahme beim Einziel-Tracking aufgrund von Zielblockierung und Störungen durch ähnliche Objekte zu lösen, wird in diesem Artikel ein Zielverfolgungsalgorithmus auf Basis von Transformer und Tracking-Trajektorie vorgeschlagen. Der Algorithmus verwendet Vision Transformer (ViT) als Rückgratnetzwerk. Um die Empfindlichkeit des Transformers gegenüber Hintergrundinformationen während der Merkmalsextraktion zu verringern, wird eine Fokussierungsschicht eingeführt, die die Aufmerksamkeitsverteilung anpasst, das Gewicht des Zielbereichs verstärkt und Hintergrundrauschen unterdrückt; gleichzeitig wurde ein hybrides Aufmerksamkeitsmodul entwickelt, das Merkmale von Vorlage und Suchbereich entkoppelt. Im Vorlagenbereich wird Selbstaufmerksamkeit zur Verstärkung der Zielmerkmale eingesetzt, während im Suchbereich mittels Kreuzaufmerksamkeit globale Kontextinformationen integriert werden. Darüber hinaus führt der Algorithmus einen Nachbearbeiter auf Basis der Tracking-Trajektorie ein, der die Sequenz historischer Tracking-Ergebnisse als Zieltrajektorie aufbaut und mit einem Kalman-Filter die Glaubwürdigkeit der prognostizierten Begrenzungsrahmen bewertet. Überschreitet die Glaubwürdigkeit einen festgelegten Schwellenwert, wird der Vorhersagerahmen direkt ausgegeben; andernfalls erfolgt ein Rückwärtstracking des Vorhersagerahmens und der Kandidatenrahmen zur Generierung mehrerer Trajektorien, deren Übereinstimmung mit der Zieltrajektorie berechnet wird, wobei der beste Rahmen zur Optimierung der Tracking-Ergebnisse ausgewählt wird. In der Trainingsphase wird die Verlustfunktion EIoU für die Begrenzungsrahmenregression verwendet, um die Lokalisierungsgenauigkeit weiter zu verbessern. Experimentelle Ergebnisse zeigen, dass der vorgeschlagene Algorithmus auf dem GOT-10K-Datensatz eine durchschnittliche Überlappung (AO) von 74,6 % erreicht, auf dem UAV123-Datensatz eine Präzision (P) von 91,4 % erzielt und auch auf den Datensätzen LaSOT, TrackingNet und OTB100 eine gute Tracking-Leistung zeigt. Visualisierungsergebnisse bestätigen, dass der Algorithmus auch in komplexen Szenarien mit Blockierungen und ähnlichen Störobjekten eine stabile und genaue Verfolgung aufrechterhält.

Zielverfolgung;Aufmerksamkeitsmechanismus;Tracking-Trajektorie;Zielblockierung;Störungen durch ähnliche Objekte