视觉目标跟踪是计算机视觉领域的一个尤为关键的分支,作为视觉目标跟踪研究范畴之一的平面物体跟踪既是计算机视觉学术研究的热点领域,又在增强现实、监视、机器人视觉等方向上具有颇为广泛的应用。近几十年以来,已出现较多算法用于解决平面物体跟踪问题。目前大多数算法都属于传统的平面物体跟踪算法,传统的平面物体跟踪可以归结为非线性优化问题,算法的核心目标在于最小化目标函数,由于该问题本身属于非凸性问题,因此求解过程中容易获得局部极值解从而导致跟踪效果不理想。由于现阶段基于深度学习网络的图像处理任务备受关注,且鉴于目前将深度学习与平面物体跟踪相结合的相关研究很少,本文提出将深度学习网络应用到平面物体跟踪任务中,探索用于解决平面物体跟踪问题更为精准且高效的算法。本文主要的研究工作见下述内容:(1)问题的调研与分析。本文首先对于已有的平面物体跟踪算法进行大量调研,并对现有的算法存在的局部极值问题进行剖析。(2)提出了基于卷积神经网络的平面物体跟踪算法。提出的算法采用卷积神经网络架构实现端到端的跟踪训练过程,整体结构模拟传统的平面物体跟踪过程中特征提取、匹配以及变换参数的评估三个步骤。该算法较传统的算法更能捕捉到图像特征之间的关联性,进而提升跟踪性能。(3)对于提出的算法进行验证。本文在Linux系统下,基于Python语言及结合Pytorch深度学习框架实现了基于卷积神经网络的平面物体跟踪算法,并利用具有挑战性的TMT及UCSB标准数据集对提出的算法进行有效地验证。实验结果充分体现了基于卷积神经网络的平面物体跟踪算法的有效性,同时,通过评价指标跟踪准确率说明了本文提出的平面物体跟踪算法具备较好的跟踪性能。