研究具有一定鲁棒性和准确度的目标跟踪算法,对于跟踪技术的理论发展和工程实践,都具有十分重要的实际指导意义。近些年,基于核相关滤波器、深度孪生网络的相关算法在跟踪领域呼声愈来愈高,相关算法研究成果显著,有力地推动了跟踪领域里程碑式的发展。然而,随着应用环境的多样复杂,该领域也凸显出相应场景下的跟踪难点问题。本文针对视频中的多样化场景,对跟踪类算法展开研究。研究内容说明具体如下:1.提出了基于核相关滤波器的尺度偏移量目标跟踪算法。针对原有核相关滤波算法对尺度变化敏感度不足的问题,本文在核相关滤波算法基本框架下展开研究,通过引入尺度偏移量来建立尺度层样本之间的关联,然后根据提议框选择策略确定尺度层对应提议框,由提议框来引导符合当前目标尺寸的实际跟踪框。算法在尺度更新阶段采用了循环移位理论,将尺度层对应样本信息用循环矩阵表示,利用循环矩阵可对角化进一步减小运算量。为说明算法的鲁棒性和可行性,本文以漂移和遮挡事件为例,通过在官方数据集上评估测试,验证了本文算法具有良好的跟踪性能,在跟踪精度和成功率上均优于其他算法,在尺度缩放方面获得了显著跟踪效果。2.提出了无锚框Siamese网络跟踪算法。针对传统锚框池化方式单一、超参数敏感以及样本失衡问题,本文受Anchor-free相关算法启发,将关键点与孪生框架有效结合,采用两角点和中心点来表示目标框尺寸位置,并考虑角点处边界效应,引入角点对级联池化来确定目标正样本点。通过在多个数据集和自主搭建的仿真环境中测试,验证表明该算法在多数据集对应视频场景中能保持较好的跟踪性能。3.针对低质量样本点对网络训练的影响,本文在网络的主干部分采用了两级Hourglass网络,并在网络后端上采样初始采用了全局池化,同时引入椭圆局部偏移结构优化了样本标签设计。此外,在分类分支和回归分支分别引入了衰减惩罚系数,进一步提高了分类性能和回归精度。