视觉目标跟踪由于其面临形变、旋转、遮挡等诸多问题,成为了计算机视觉领域一项有挑战的研究内容。近年来,基于相关滤波的跟踪算法在速度和精度上均取得很大突破,本文以此为切入点,开展了深度卷积特征的自适应相关滤波跟踪方法的研究。论文主要研究工作和取得的研究成果如下:1、针对解决目标物体在跟踪过程中形变、旋转等自身姿态的改变,提出了采用卷积神经网络获取特征深度卷积特征的方法。基于大规模数据库上训练的深度网络所拥有的泛化能力,利用预训练的卷积神经网络的高层卷积层作为特征提取器,获取前向传播过程中间层的输出,并对其进行降维和重采样处理。仿真结果表明,高层卷积特征对目标姿态的改变具有良好的抵抗性,低层卷积特征保留了更多空间纹理细节。2、为了避免高层卷积特征空间细节信息的缺失对目标定位精度的影响,设计一种相关滤波器的级联结构。利用高层特征实现目标的粗定位作为下一级滤波器的搜索区域,通过逐级缩小搜索区域的方式,实现了不同层级卷积特征的全面利用;级联结构的最后一级使用了低层的卷积特征构建了一个尺度检测相关滤波器,利用低层卷积特征中丰富的空间纹理信息实现了目标边界的精确估计。仿真实验表明,该结构使精度提升了2.8%,覆盖成功率提升了3.0%。3、针对目标运动过程中遮挡信息对跟踪器模型的污染,提出了一种新颖的自适应模型更新的方法。在第一帧中提取特征点利用特征点作为目标的局部表示,通过建立特征点库,在后续的帧中仅对使用可靠的匹配点对库中元素进行更新。对于新的一帧的跟踪结果,使用特征点库计算匹配相似度作为折扣因子,在目标发生遮挡时自适应地提高折扣程度,降低更新学习率,减轻遮挡对模型的污染。仿真实验表明,该方法使跟踪精度提升了1.9%,覆盖成功率提升了2.1%。4、采用公开通用的OTB-2013和OTB-2015数据集,对论文提出的算法进行了实验验证和测试评估。仿真实验结果表明,提出的算法在精度和覆盖成功率两项指标均超越了其他跟踪算法。开发了一个跨平台的程序,在不同的操作系统下测试了程序的兼容性,结果表明,在不同平台不同环境中均能实现高效跟踪。