视觉目标跟踪技术主要是利用视频序列图像中视觉目标的时间连续性和空间连续性对目标进行跟踪,视觉目标跟踪技术在国防军事和保障居民安全等方面均有着广阔的应用前景。此外,其研究涉及计算机视觉和模式识别相关技术,具有重要的理论研究价值。然而视频中目标与背景都随时间变化,并受多种因素如光照变化、背景杂乱、目标模糊等的影响,这给视觉目标跟踪技术带来很大的挑战。近年来,深度学习方法从大量的数据进行网络训练,在目标视觉特征提取和表示方面较一般的手工特征具有更强大的优势,很适合应用于跟踪。深度特征有着丰富的语义信息和类别信息,但是随着特征层数的增高,特征的空间分辨率变低,无法对目标位置进行准确定位。本文根据视频中目标的时间和空间连续性,用粒子滤波的方法根据前帧目标的位置得到候选粒子,然后用深度特征挑选与目标更相关的粒子,之后再根据目标检测算法或者稀疏表示对相关粒子进行精准定位。本文取得的研究成果如下:1)提出深度视觉特征与目标检测算法相结合的基于鲁棒候选粒子挑选的视觉目标跟踪方法。Faster-RCNN根据图像特征图提取生成候选区域的特征向量,将特征向量用于对候选区域的精准回归。本文利用粒子滤波生成足够多的候选粒子,然后用深度学习模型生成的深度特征挑选与目标更为相似的少量候选粒子,将其用FasterRCNN进行最终验证。创新性的将目标检测算法与深度视觉特征结合起来,实验结果显示此方法既能提高精度又能保证算法的鲁棒性。2)提出基于全卷积深度特征对候选粒子进行筛选,选出与目标最为相关的可靠度最高的粒子与加入颜色信息的局部稀疏表示模版进行最小重构误差分析,重构误差最小的粒子就是预测目标的位置。算法首先对深度模型提取的视觉特征利用热力图模型进行挑选,挑选出在目标区域响应值最大的特征图。然后结合稀疏表示,对目标外观进行稀疏重构,将初次筛选的候选粒子与目标模版进行相似度匹配,从而预测出被跟踪目标的位置。本文的算法将深度学习模型结合传统的稀疏表示,不仅仅能够提取目标高级语义信息,将目标判别性特征用于跟踪,而且将最具辨别力的目标表观特征用于跟踪算法中,保障了跟踪算法的鲁棒性。