面向动态复杂场景的红外小目标自适应跟踪方法 (特邀)

红外小目标跟踪是红外探测系统研究的热点之一，其在民用和军事上均有广泛的应用。然而，由于红外小目标的目标弱、背景强和动态变化的特点，使得红外小目标跟踪仍然充满挑战。为了解决这些问题，并提高跟踪器的鲁棒性和准确度，文中面向动态复杂场景提出了一种红外小目标自适应跟踪方法。首先，在红外小目标的特征提取阶段，基于孪生网络的概念，提出了一种双通道多尺度特征提取与融合子网络。该子网络旨在最小化特征损失，解决红外小目标图像中的低信杂比(Signal-to-Clutter Ratio, SCR)问题。其次，为了减轻目标变化对跟踪结果的影响，该研究设计了两个模块。一方面，利用网络模型的空间不变性，在模板分支中提出了动态模板特征增强模块(Dynamic Template Feature Enhancement, DTFE)来增强模板特征。另一方面，提出自适应模板更新模块(Adaptive Template Update, ATU)，其利用来自历史帧目标的信息来自适应地更新模板特征。两个模块有效缓解了因目标变化引起的跟踪失败。最后，在跟踪支路中提出了多层自注意力模块(Multi-layer Self-attention, MSA)，其利用注意力机制来减少背景杂波的干扰。消融实验证明了文中提出的各部分对跟踪结果的贡献。该研究的方法在公开红外小目标序列上的实验结果优于几种先进的方法，其平均成功率和平均精确度分别达到了85.5%和91.5%。与几种先进方法相比，该方法具有更好的成功率和精确度，同时在速度方面满足实时性要求。