Basado en el método de seguimiento de objetivos STARK que utiliza ResNet como red principal, la cual tiene una capacidad insuficiente de extracción de características y un pobre rendimiento de seguimiento. Para abordar este problema, este artículo propone un algoritmo de seguimiento de objetivos mejorado basado en la red Swin-Transformer. Primero, se realiza una mejora multiescala en el mecanismo de atención por ventana interna del Swin-Transformer, diseñando el módulo de ventana multiescala MW-MSA, con el objetivo de extraer información local más rica, combinándola con información contextual global para formar características discriminativas multiescala. Luego, se utiliza la estructura codificador-decodificador del Transformer como red de fusión de características, empleando un perceptrón multicapa optimizado como red de evaluación de actualización para conformar un módulo de percepción de estado. Finalmente, para el desafío de desaparición y reaparición del objetivo, se propone un método de fusión de múltiples rastreadores. Se fusiona el algoritmo de seguimiento mejorado multiescala con el algoritmo SuperDiMP, diseñando un módulo de evaluación del estado de desaparición que considera integralmente las puntuaciones de confianza de ambos rastreadores y la estimación de probabilidad del objetivo cerca de la caja predicha. Los resultados experimentales muestran que, en comparación con el algoritmo STARK, el algoritmo propuesto mejora la tasa de solapamiento promedio (AO) en un 2.7 % y la tasa de éxito S_R0.5 en un 3.3 % en el conjunto de datos GOT-10K. En el conjunto de datos L-LaSOT, la tasa de éxito (AUC) mejora un 0.8 % y en el desafío de desaparición y reaparición del objetivo mejora un 1 %.

seguimiento de objetivos;ventana multiescala;Swin-Transformer;actualización de plantilla;fusión multimodelo