计算机视觉是个复杂的信息处理任务,主要目标是感知周围环境存在什么及其确切位置。目标跟踪是计算机视觉中重要的基础研究课题之一,它在智能视频监控、基于视觉的人机交互、智能交通系统、智能视觉导航以及三维重建等领域有着广泛的研究和商业价值。目标的快速移动、光照变化、低分辨率、物体遮挡、巨大形变和背景相似等都是这一课题面临的重大挑战。通常跟踪器可分为四部分:特征表达、运动模型、观察模型及在线更新机制。其中物体的特征表达,对观察模型的决策起着决定性作用。卷积神经网络凭其强大的特征表达能力正革新着跟踪领域,但在目标形变、尺度变化较大、背景物体相似时容易跟踪失败。针对上述问题,本文基于MDNet算法跟踪器展开研究,具体内容如下:1.提出可变形卷积神经网络算法跟踪器。现在跟踪器大多采用卷积神经网络提取特征,但卷积核的感受野只限于固定大小的矩形块,使得物体的形变或尺度变化较大时,跟踪器的性能降低。因此,本文利用几何可变卷积算子,设计可变形卷积神经网络,用可变形卷积网络提取特征。其具有感受野范围更加大、可靠性更高及更具鲁棒性等优点,使物体形变或尺度变化大时特征仍健壮。而软化损失函数是通过对交叉熵损失函数进行改进,并基于此进行优化,解决跟踪中训练正负样本不平衡的问题。综上提出了可变形卷积神经网络算法跟踪器,并在OTB100中含有形变或尺度变化较大属性的序列中取得明显突破。2.提出通道注意力形变算法跟踪器。DCT算法跟踪器的提出,形变和尺度变化的问题虽得到一定解决,但在背景物体相似时,跟踪容易失败。而通道主要传递“是什么”的识别信息。通道注意力形变网络通过抑制背景突出前景来区分出相似物体。因此提出通道注意力形变算法跟踪器,弱化背景突出前景。并构建跟踪组归一化,缩小训练和验证时数据量不一致带来的偏差。所提出的算法缩短了预训练时间,提高了跟踪的成功率和准确率。