为了减少有效卷积算子(ECO)跟踪算法的特征提取网络参数量和计算量, 采用了一种基于端侧神经网络(GhostNet)改进的ECO目标跟踪算法。首先, 采用GhostNet网络作为主干特征提取网络提取图像浅层与深层的卷积特征, 运用全局平均池化对卷积特征下采样增加特征对图像的表征能力; 其次, 将卷积特征与手工特征插值后, 与当前滤波器在傅里叶域进行卷积计算实现目标定位; 最后, 采用共轭梯度算法优化响应误差与惩罚项之和的损失函数实现滤波器更新。在上述提出的算法和OTB2015与VOT2018数据集上进行了理论分析和实验验证, 取得了目标跟踪的对比实验数据。结果表明, 相对于基于ResNet特征提取网络的ECO算法, 该算法在实现高精度跟踪时, 卷积特征提取过程计算量减少了95.75%, 参数量减少了79.69%, 跟踪过程速度提升了160%。这些结果为轻量级目标跟踪算法的研究提供了参考。

针对单一滤波器难以适应复杂变化的目标跟踪环境的问题，本文在高效卷积算子目标跟踪算法的基础上，提出了自适应多滤波器的目标跟踪算法。该算法使用时空正则化滤波器、一致性检验滤波器和高效卷积算子算法中的相关滤波器分别与目标特征进行卷积，得到三个滤波检测得分。其中，时空正则化滤波器是通过将时间正则化引入相关滤波损失函数而得到；一致性检验滤波器是通过反向定位前几帧目标，比较反向与正向定位坐标的误差，只有误差小于阈值时才更新滤波器；选择峰值旁瓣比最大滤波检测得分，估计目标的位置。使用 OTB-2015数据集和 UAV123数据集对改进算法进行测试，实验结果表明，本文算法能够更好地适应跟踪过程中的复杂变化的环境，具有较高的精度和鲁棒性。