基于海马记忆机制的复杂背景目标检测与跟踪方法研究.pdfVIP

摘要

目标检测与跟踪技术在复杂背景下的应用面临诸多挑战，例如相似物干扰、目标遮挡

和光照变化等因素导致目标特征难以准确识别，进而在复杂环境中发生漏检和误检现象。

针对上述问题，当前主流模型多采用深度学习方法，尽管这些方法在性能上取得了显著提

升，但仍存在算法计算开销较大、难以在资源受限设备上实现实时推理、以及对对抗扰动

较为敏感等局限性，限制了其在实际场景中的应用。本文拟通过模拟人脑海马记忆机制，

改进现有基于深度学习的目标检测和跟踪模型，在保持跟踪速度的同时，提高模型的检测

精度和泛化能力，综上所述，本文开展了如下两点工作研究：

1）为了解决小目标检测能力不足和模型过拟合问题，模拟人脑海马记忆机制，根据

海马区不同神经元细胞的连接方式形成的TSP路径和MSP路径，模拟其不同路径的编码

特性，提出了一种基于海马双分支通路的目标检测方法HIDPD，该方法通过通道剪枝技

术来模拟TSP路径的稀疏编码特性，用于提取目标的稀疏特征，并结合注意力特征融合

AFF，对MSP和TSP提取的特征进行融合，增强复杂场景下的目标检测能力。

2）为了解决目标跟踪中小目标的尺度适应性差、长期跟踪中的漂移问题，在上一点

研究内容的基础上，完善了人脑海马记忆回路并对其功能特性进行模拟，提出了基于海马

记忆池的MHP-HC目标跟踪方法，核心在于设计了记忆池（即吸引子网络），通过吸引

子网络模拟尖波涟漪回放机制，将短期记忆转化为长期记忆，存储双分支融合后的特征，

支持目标重检测和遮挡恢复；记忆池通过Hebbian学习构建动态吸引子状态，捕获目标的

历史特征模式，在遮挡或目标短暂消失时，利用回放机制快速恢复目标身份，同时结合无

瞄框定位模块提升小目标尺度适应性；MHP-HC采用多尺度特征融合机制处理提取的后

两层特征，借助正交卷积核提升尺度辨识能力，同时通过引入通道注意力机制动态调整浅

层特征的权重，以增强复杂场景下的特征表示能力。

综上所述，通过实验证明，本文第三章提出的基于海马双分支通路的目标检测方法

HIDPD在MTD数据上的检测成功率达到了81.2%，第四章提出的MHP-HC目标跟踪方

法在UAV123数据集上取得了成功率0.678、精确度0.864的优异性能，优于SiamDW和

SiamCAR等传统方法，同时跟踪速度达178FPS，显著提升实时性，能更加适应复杂环境

下的目标跟踪。

关键词：海马记忆机制；目标检测跟踪；复杂背景；记忆池；双分支通路

Abstract

Targetdetectionandtrackingincomplexbackgroundsoftenfacenumerouschallenges,

includingdifficultiesinaccuratelyidentifyingfeaturesduetosimilarobjectinterference,target

occlusion,illuminationvariations,andotherfactors,whichcaneasilyleadtomisseddetections

andfalsepositivesincomplexenvironments.Toaddresstheseissues,mostexistingmodelsrely

ondeeplearningmethods.However,suchapproachessufferfromdrawbackssuchashigh

computationalcosts,challengesinachievingreal-timeinferenceonresource-constraineddevices,

andsensitivitytoadversarialperturbations.Thispaperproposestoimproveexistingdeep

learning-based