随着硬件设备性能的不断提高和软件功能的不断强大,使得目标跟踪技术广泛应用于人们的日常生活以及军事、医疗、无人驾驶和人机交互领域中。经过科研工作者多年的研究,目标跟踪算法在简单应用场景中已经取得了不错的跟踪效果,然而在实际场景中存在遮挡、目标形变和运动模糊等一系列具有挑战性的干扰因素,这就需要建立更加复杂的外观表征模型,同时合理的模型更新策略也是目标跟踪能否成功的关键。本文在高速核相关滤波目标跟踪算法的基础上,与深度学习技术相结合对目标跟踪进行改进,本文的主要工作如下:1、针对使用HOG等单一特征进行目标跟踪时遇到目标形变和运动模糊等复杂干扰因素会导致跟踪精度不高的问题,设计改进了一种基于VGG网络的鲁棒目标跟踪算法。首先引入仿射变换解决目标跟踪过程中尺度变化的问题。然后使用VGG16网络对跟踪目标提取多层卷积特征用来训练外观表征模型,解决目标形变和运动模糊等复杂干扰因素时表征能力不足的问题。其次考虑到使用单个滤波器模板获取目标位置比较片面,提出了使用多层卷积特征分别训练滤波器模板进行目标位置的计算。最后加入遮挡策略和模型更新策略,解决对目标外观信息学习不准确的问题。实验结果表明该算法大大提高了在遮挡、尺度变化和快速运动等复杂干扰因素下的目标跟踪精度。2、针对使用多层卷积特征分别训练滤波器模板用来进行目标位置的计算会导致跟踪速度过慢的问题,设计改进了一种多特征融合与核相关滤波相结合的目标跟踪算法。首先对跟踪目标进行仿射变换用来解决跟踪过程中被跟踪目标发生尺度变化时跟踪矩形框固定不变的问题,然后对进行仿射变换后的跟踪目标提取HOG特征并且使用VGG16网络对其提取第一层和第五层平均卷积特征用来增强对跟踪目标的外观表征能力,其次使用三种特征分别训练滤波器模板并且对三个输出置信图进行融合,然后将融合置信图中响应值最大的位置作为目标位置,最后根据遮挡策略自适应确定当前帧图像中目标位置和更新滤波器模板,解决对目标外观信息学习不准确的问题。实验结果表明该算法不仅可以实现对目标的准确跟踪,还具备了一定程度上的跟踪速度。3、针对使用多特征融合进行目标跟踪时跟踪速度仍然没有达到实际场景中实时跟踪要求的问题,设计改进了一种核相关滤波与孪生网络相结合的目标跟踪算法。首先在第一帧图像中对跟踪目标提取HOG特征用来建立滤波器模板的同时通过AlexNet网络对其提取目标区域图像特征。然后后续帧图像若图像帧数不为5的倍数则对搜索区域图像提取HOG特征进行目标位置的计算,若图像帧数为5的倍数则通过AlexNet网络对搜索区域图像提取搜索区域图像特征进行目标位置的修正,提高了目标跟踪精度的同时运算速度进一步加快。最后若图像帧数不为5的倍数则根据遮挡策略和更新策略自适应更新外观表征模型和滤波器模板,解决对目标外观信息学习不准确的问题。实验结果表明该算法不仅具有应对遮挡、光照变化和背景杂乱等复杂干扰因素的能力,还能够满足实际场景中快速跟踪的任务要求。