视觉目标跟踪是计算机视觉领域中一个基础且重要的研究课题,在智能视频监控、人机交互、医学诊断、机器人视觉导航和三维重建等诸多领域具有广泛的应用。通用的视觉目标跟踪是估计任意目标在视频序列中的状态信息(位置信息、尺度信息)的任务,通过在视频或者图像序列的第一帧中使用边界框框选中一个特定目标,利用给定的目标跟踪算法在后续帧中确定目标的位置,并使用边界框对该目标进行标识。尽管国内外研究学者对视觉目标跟踪问题已经开展了较多研究并且最近已经取得了很大进展,但由于形变、尺度变化、光照变化、背景杂乱和遮挡等诸多因素,目标跟踪仍然被认为是一项具有挑战性的任务,除此之外,实时性要求也成为跟踪算法投入实际应用的一大瓶颈。本文在分析已有跟踪算法的基础上,将Siam RPN++算法作为基准算法开展了深入研究,本文的具体工作如下:1、提出了一种基于目标感知特征筛选的孪生网络跟踪算法。首先,将经过裁剪处理后的模板帧和检测帧送入到Res Net50的特征提取网络进行浅层、中层、深层的特征提取;其次,在目标感知模块中,通过设计一个回归损失函数来学习对被跟踪目标敏感的特征,根据反向传播的梯度大小来确定每个特征通道的重要性程度,并以此来筛选得到较重要的目标感知特征;最后,将筛选得到的特征送入到Siamese RPN模块,进行目标、背景的二分类判别和边界框的坐标回归,从而得到一个精确的目标边界框。在OTB100和VOT2018两个标准数据集上进行测试实验,结果表明所提出算法可以实现对目标的稳健性跟踪。2、提出了在线目标分类及自适应模板更新的孪生网络跟踪算法。首先,在离线训练阶段设计互相关特征图监督模块,通过使用L-Softmax损失函数对互相关特征图进行监督,以学习更具判别力的互相关特征图,从而克服相似目标干扰问题;其次,在在线跟踪阶段设计包含双重注意力机制(空间注意力机制和通道注意力机制)的在线目标分类模块,在该模块中使用在线滤波器更新策略滤除跟踪过程中的背景噪声干扰,从而有效地解决Siam RPN++算法鲁棒性差的问题;最后设计一种自适应模板更新模块,使用Update Net网络更新目标模板信息,有效地减少了目标跟丢次数。在VOT2018、VOT2019两个标准数据集上的实验结果验证了所提出算法的有效性。