基于尺度感知区域提议的双流并行架构在复杂场景下的鲁棒视觉跟踪研究

本文推荐一篇创新性视觉跟踪研究，提出基于尺度感知区域提议网络(SARPro)的双流特征金字塔网络(DS-FPN)架构，通过融合Faster R-CNN检测流程与改进的DeepSORT跟踪算法(LCTFilter)，结合LSTM时序建模与多线程GPU并行计算(MTPC-GPU)，在UA-DETRAC和BDD100K数据集上分别实现91.35% mAP/57.2 FPS和88.57% mAP/41.9 FPS的优异性能。

　　

亮点

• 提出基于Faster R-CNN框架的尺度感知区域提议网络(SARPro)，通过高质量多尺度区域提议显著提升视频目标检测与跟踪(VODT)精度

• 创新性双流特征金字塔网络(DS-FPN)同时捕捉空间特征与时序模式，结合LSTM层建立长程时序依赖，增强视频序列中目标跟踪的连续性

• 改进DeepSORT基线算法，引入低置信度轨迹过滤器(LCTFilter)，通过动态阈值筛选确保实时跟踪效率

• 采用支持CUDA的多线程GPU并行计算架构(MTPC-GPU)，实现检测与跟踪任务的同步高速处理

结论

本文提出的SARPro方法构建了一个高效的VODT框架，通过DS-FPN保障空间-时序特征提取的鲁棒性，LSTM层有效捕获长程时序依赖，显著提升视频序列中目标跟踪的连续性。基于Faster R-CNN流程的SARPro能生成高质量多尺度区域提议，改进的DeepSORT算法结合LCTFilter机制确保跟踪稳定性。实验证明该框架在复杂交通场景下对小目标检测具有显著优势，同时满足实时性要求，为自动驾驶和智能监控等应用提供了可靠的技术方案。