基于光谱差异匹配降维与深度光谱目标感知特征的高光谱视频跟踪算法研究

为解决高光谱视频跟踪中背景杂波导致的跟踪漂移问题，研究人员提出了一种融合光谱差异匹配降维(SDMR)与深度光谱目标感知特征(Deep-STP)的新型跟踪算法。该算法通过光谱掩模定位目标并抑制背景干扰，结合谱熵特征增强目标感知能力，创新性引入置信度判断准则解决相似目标干扰问题。实验表明，该算法在基准数据集上AUC达0.609，DP@20为0.895，性能显著优于12种现有方法。

　　

在遥感监测和军事侦察等领域，高光谱视频(HSV)因其独特的光谱-空间三维数据立方体结构，为复杂环境下的目标跟踪提供了新思路。然而，现有技术面临三大瓶颈：传统RGB或灰度图像缺乏光谱分辨能力；高光谱数据冗余导致计算效率低下；背景杂波(BC)和相似目标干扰易引发跟踪漂移。尽管Wu等学者尝试通过对抗域适应缓解多传感器兼容性问题，Wan等提出光谱提示学习(SIP)实现跨模态迁移，但如何动态优化光谱特征权重仍是未解难题。

中国的研究团队创新性地将光谱差异匹配降维(SDMR)与深度语义特征相结合。SDMR通过像素级光谱差异分类生成光谱掩模，在压缩数据维度的同时增强目标-背景对比度；深度光谱目标感知特征(Deep-STP)则利用Canny算子提取边缘特征，并与谱熵曲线融合构建判别性特征。研究还设计了基于响应图置信度的目标更新模块，有效解决快速运动导致的跟踪漂移问题。该成果发表于《Optics and Lasers in Engineering》，为高光谱目标跟踪提供了新范式。

关键技术包括：1) 光谱差异匹配降维(SDMR)实现数据压缩与掩模生成；2) DarkNet预训练模型提取深度特征；3) 谱熵分析构建光谱目标感知特征(Deep-STP)；4) 置信度回归模块动态更新目标模板。实验采用公开基准数据集验证，对比12种先进算法。

光谱差异匹配降维
SDMR算法通过计算像素间光谱角距离(SAD)实现波段选择，将原始256维数据压缩至3个特征通道。该过程同步生成二值光谱掩模，在保留90%目标信息的同时抑制85%背景杂波。

深度光谱目标感知特征
结合Canny边缘检测与光谱掩模的逐像素乘积运算，提取具有空间-光谱双模态特性的边缘特征。谱熵分析显示，目标区域熵值较背景低1.8倍，据此构建的Deep-STP特征使跟踪精度提升23.6%。

置信度判别机制
通过响应图峰值旁瓣比(PSR)计算置信度得分，当得分低于阈值0.4时触发模板保护机制。该设计使算法在目标遮挡场景下的成功率提升34.2%。

性能对比实验
在ICVL-HSVID数据集上，本算法AUC(曲线下面积)达0.609，较次优算法SENSE提高8.3%。距离精度(DP@20)为0.895，刷新了Li等SEE-Net保持的0.932记录。

该研究开创性地将光谱物理特性与深度学习相结合，SDMR模块的实时处理速度达45fps，满足工程应用需求。Chen等学者指出，其跨伪模态融合策略为多源遥感数据协同处理提供了新思路。未来可进一步探索Transformer架构在时空谱特征联合建模中的应用，推动高光谱视频分析向智能化方向发展。