作为信息处理与计算机视觉领域的研究热点之一,目标跟踪技术在安防监控、智能交通、视觉导航以及军事侦察等应用领域中扮演着十分重要的角色。以初始时刻感兴趣目标的位置状态为参考,目标跟踪致力于在后续任意时刻准确预测该目标的状态参数。尽管该技术在近年来已经取得了长足的进步,但仍存在许多难以解决的问题。在复杂多变的实际场景中,背景杂乱、光照变化、运动模糊以及遮挡等干扰因素使实现高质量的视觉跟踪成为了一个具有挑战性的课题。为此,探索精确可靠的目标跟踪方法具有重要的理论意义和应用价值。随着人工智能理论的迅速崛起,深度学习模型逐渐被应用到目标跟踪领域,使该技术领域得到了突破性的发展。深度学习框架下的目标跟踪方法已经取得了非常优异的跟踪表现,尤其是生成式的孪生网络跟踪方法。为此,论文在深入分析深度学习和目标跟踪的基本理论的基础上,在深度学习框架下对生成式目标跟踪方法开展研究,主要研究内容和创新性成果如下:1、目前,深度生成式跟踪方法在跟踪过程中通常难以兼顾精确性和鲁棒性,且对目标表观变化缺乏适应能力。针对这些问题,论文提出一种分层感知框架下基于注意力选择的深度跟踪方法。在离线训练阶段,该方法同时采用了空间感知训练机制与表观感知训练机制。前者在训练浅层网络模块时引入了大量的空间变换,这有利于提取位置感知特征;后者在优化深层模块时采用了丰富的表观变换,这有助于捕获表观感知特征。结合这两种训练机制可以有效提升模型跟踪的精确性和鲁棒性。此外,基于通道注意力机制与空间注意力机制设计了一个高效的特征选择模块,其能够使跟踪器快速鲁棒地适应目标的表观变化。实验结果表明了所提出方法的先进性和有效性,其可以实现精确鲁棒的目标跟踪。2、传统的融合算法难以自适应地结合多层卷积特征,所以不能够有效提升孪生网络模型的跟踪能力。针对此问题,论文基于残差学习理论为孪生网络设计一种新的特征融合模块。该模块将孪生网络深层部分输出的高阶特征作为直连分量,利用抽象语义信息整体性地识别目标;同时将来自浅层部分的特征输入到残差通道,利用局部细节信息精调目标的空间位置参数。此外,提出一种多损失集成训练机制。该机制采用不同的损失函数分别优化孪生网络模块与残差融合模块,抑制了网络优化的失衡现象。实验结果表明,提出的残差融合机制可以显著提升孪生跟踪器的跟踪能力。3、由于缺少有效的在线更新机制,典型的孪生网络模型难以在复杂场景下持续稳定地跟踪目标。针对该问题,论文首先通过分析孪生网络中的少样本学习机制提出一个两阶段少样本学习器,其可以结合不同阶段的目标样本预测主分类器的参数权重。此后,基于该学习器设计一个可更新的孪生网络模型。具体地,一个额外的输入分支被用于在后续阶段捕获目标的表观特征。接下来,利用一个特征更新模块结合不同阶段的模板特征,生成一个信息更丰富的融合模板。该模板可以帮助跟踪器更有效地在搜索区域内检测目标。实验结果表明了所提出方法的有效性,其在复杂场景下可以实现稳定鲁棒的跟踪。