计算机视觉的一个重要研究领域的分支是视觉目标跟踪,跟踪器需要结合多种领域的知识,应对多种挑战和突发情况从追踪目标的过程具有鲁棒性。因为深度网络具有先验条件好、泛化性能令人满意、层级结构中每层特征丰富等特点,所以用深度网络对手工特征表达能力不足问题进行改进,从而增强跟踪器的鲁棒性,提高跟踪器的性能。深度学习应用于视觉跟踪领域的研究有两个主要方向,一个是通过较深的网络结构学习图像特征提升跟踪器表观模型的准确率,另一个是减少网络层数来提升跟踪的速度以满足实时性的需求。如何平衡跟踪器的准确性与实时性,是当前的一个研究热点。为此,提出了基于显著性纠偏的深度回归网络视觉跟踪算法(Extended Deep Regression Network based Visual Object Tracking,EDR)。EDR设计了一个浅层的离线训练的深度回归网络作为跟踪算法的主体,该网络在离线过程中通过大量数据深度网络学习目标的表观和运动模型。在跟踪过程中,把上一帧的目标区域和当前帧的搜索区域输入到网络中,即把运动规律运用到网络中,利用视频序列中目标移动的前后帧变化规律,通过该网络网络复杂度低和没有在线更新网络两个特点,保证了跟踪器的实时性。为了提升跟踪器的准确性,在分析了显著性的特点和不同的显著性算法利用了的图片特征信息后,EDR引入了显著性检测算法对预测目标进行纠偏。对当前帧内搜索框做显著性检测,并用显著性图中最亮的点作为参考点。实验对比在加入显著性信息后,网络在仍能保证实时的基础上效果有一定的提高。