视觉跟踪作为计算机视觉领域一个重要的基础研究课题,在人机交互、智能监控和自动驾驶等方面拥有广阔的应用前景。由于视觉跟踪任务中被跟踪目标的不确定性和场景的复杂多变性,如何保证视觉跟踪算法在各种干扰条件下的准确性、实时性和鲁棒性就成为该课题必须面对的一个极富挑战性的难题。本文从实际情况出发,以获得在鲁棒性和实时性上表现比较均衡的视觉跟踪算法为目标,对视觉跟踪难点问题进行了深入研究,取得了一些有应用价值的研究成果。本文的主要工作和学术贡献如下:1.将相似学习用于视觉跟踪,提出了一种基于实时物体检测框架Single-Shot Multi-Box Detector(SSD)的目标特征提取与定位算法,建立了基于三类损失函数联合学习的优化策略,克服了相似学习算法存在的计算量大和难以训练的弊端,有效提高了网络训练的收敛速度和系统的跟踪性能。实验结果验证了算法的有效性和可行性。2.提出了一种基于非局部均值相关滤波的视觉跟踪算法。该算法使用由两个分离的卷积序列组成的全卷积层获取(目标的)局部响应图,使用非局部层获取(背景的)全局响应图,并据此构建高分辨率最终响应图以实现对目标和背景的同时高精度建模,有力提升了跟踪算法区分目标与背景的能力。实验结果表明,与基准算法相比该算法在准确率和鲁棒性上的表现有较大提升。3.提出了一种基于特征金字塔的尺度估计方法。该方法用特征金字塔代替图像金字塔以完成对目标尺度的估计,不仅可以有效节省用于图像金字塔特征提取的冗余计算,提升跟踪算法的效率,同时可在不大幅增加计算量的前提下利用提取的图像特征构建更加稠密的特征金字塔以进一步提升系统的性能。实验结果表明,使用特征金字塔可在确保系统跟踪性能的前提下大幅缩短用于尺度估计的计算时间。