目标跟踪一直都是计算机视觉中重要的研究方向之一,因其不仅可以提供目标的运动状态,还可以为场景理解等高层次视觉分析提供重要数据。目前,已在人机交互、智能视频监控、公共安全等诸多领域广泛应用。所谓目标跟踪是指在一个图像或者视频序列中选择感兴趣的目标,在接下来的连续帧中,找到该目标的位置并形成运动轨迹。尽管随着深度学习的日益发展,目标跟踪算法取得了诸多研究成果,但是由于受到复杂的光照变化、背景中相似物体的干扰和摄像机的抖动等复杂因素的影响,使得目标表观模型动态变化,研究能够有效适应复杂场景动态变化的目标跟踪算法仍然是一项极具挑战性的任务。论文在认真分析总结现有典型目标跟踪算法的基础上,得出现有目标跟踪算法通常分为2类:(1)基于相关滤波的目标跟踪算法;(2)基于深度学习的目标跟踪算法。基于相关滤波的跟踪算法在计算效率与竞争效果上优势显著,但有两个主要的缺点:(1)手动抽取特征无法捕捉目标的语义信息;(2)缺乏训练数据。为了克服CF(Correlation Filter,CF)手动抽取特征性能的不足,将深度卷积特征引入CF,成功的优化了此种缺陷。尽管基于卷积神经网络(Convolution Neural Network,CNN)特征的CF目标跟踪已经在一定程度上克服了几何和环境变化,提高了鲁棒性。但是从每一帧和训练/更新CF目标跟踪从更高维度的深度特征抽取CNN特征的计算量仍然非常大。因此,对实现实时的目标跟踪来说仍然有很大的困难。针对抽取CNN特征计算量大的问题,本文在全卷积对称网络的基础上进行改进,结合相关滤波器,加入了快速傅里叶变换(Fast Fourier Transform,FFT),降低了计算量。CF可以通过高效的解岭回归问题,来将一个块图像从周围块中区分出来,并且由于采用了 FFT和逐元素操作,比随机梯度下降(Stochasic gradient descent,SGD)算法更高效,相比于嵌入的方法,判别器更适应于特定的场景目标。并基于前人研究工作基础上,推导了 CF应用到预训练的CNN特征上的过程,实现了两种方法的端到端的结合,其关键点是将CF作为可微的CNN层,以便误差可以通过CF反传CNN特征。该算法首先在各视频场景内预先选定可清晰区分目标外观的参考区域块用以构造训练样本,并构建了两路不完全对称的卷积网络。该卷积网络使得参考区域外目标的输出特征尽可能与参考区域内目标的输出特征相似,以获得参考区域内目标的良好表征。并在其中一路加入了相关滤波模块,最后搭建出端到端的深度学习与相关滤波框架,并首先与SiamFC进行对比,当使用浅层网络计算特征时,本文算法明显优于SiamFC,后用不同网络深度与SiamFC与DSST进行仿真实验对比,实验结果表明,对于足够深的对称网络结构,加入相关滤波器层并不会显著地改善跟踪的准确度,但如果有足够的训练数据,深度学习提取强大表征的能力是不容小觑的。图[45]表[4]参[84]