Les trackers basés sur des filtres de corrélation ont fait des progrès significatifs dans le suivi visuel d’objets pour divers types d’applications de véhicules aériens sans pilote (UAV) en raison de leurs performances et de leur efficacité prometteuses. Cependant, l’effet de frontière reste un problème difficile. Plusieurs méthodes élargissent les zones de recherche pour remédier à cette lacune, mais introduisent davantage de bruit de fond, et le filtre a tendance à apprendre des distractions. Pour résoudre ce problème, nous présentons des filtres de corrélation spatiale régularisée avec cohérence de réponse et répression des distractions. Plus précisément, une contrainte temporelle est introduite pour renforcer la cohérence entre les trames en minimisant la différence entre les cartes de réponses de corrélation consécutives. Une contrainte spatiale dynamique est également intégrée en exploitant les points maximaux locaux de la réponse de corrélation produite pendant la phase de détection pour atténuer les interférences provenant des distractions de fond. Le modèle d’apparence proposé peut optimiser simultanément les contraintes temporelles et spatiales ainsi qu’un poids de régularisation spatiale. Parallèlement, le modèle d’apparence proposé peut être résolu efficacement sur la base de la méthode de direction alternée de l’algorithme des multiplicateurs. Les informations spatiales et temporelles dissimulées dans les cartes de réponse sont pleinement prises en compte pour améliorer les performances globales de suivi. Des expériences approfondies sont menées sur un ensemble de données de référence public sur les drones avec 123 séquences difficiles. Les résultats expérimentaux et l’analyse démontrent que la méthode proposée surpasse 12 trackers de pointe en termes de précision et de robustesse tout en fonctionnant efficacement en temps réel.
Pour en savoir plus : Apprentissage de filtres de corrélation spatiaux régularisés avec cohérence de réponse et répression des distractions pour le suivi des drones