目标跟踪是计算机视觉领域的重要研究方向之一,在智能视频监控、人机交互、机器人视觉导航、虚拟现实、医学诊断等领域有着重要的作用。目标跟踪的基本问题是在一个视频或图像序列中确定待跟踪目标,定位该目标在后续连续帧中的准确位置,从而产生目标运动轨迹。在实际应用中,目标在运动过程中往往因非刚性变化而改变了目标的表观模型,同时由于复杂的光照变化、尺度变化、快速运动、运动模糊、目标被长时间遮挡以及背景中相似物体的干扰等使目标跟踪任务变得更加困难。尽管现在目标跟踪技术的精确度越来越高,但是目标跟踪在稳定性以及实时性方面仍具有挑战性。本文基于深度卷积特征的相关滤波跟踪算法研究,使用特征级融合的方法以提高目标跟踪性能,所取得的主要研究成果有:1.提出基于深度卷积网络特征的乘积融合滤波跟踪算法。为了发挥不同层次卷积特征的互补优势,利用特征级乘积融合方法,以从粗到细的方式精准地定位待跟踪目标的位置,从而提高跟踪效果的鲁棒性和准确度。同时使用运动轨迹波动度和峰值旁瓣比作为跟踪置信度指标判断目标跟踪是否失败,引入学习率更新原则更新相关滤波器,有效地解决了由于不充分的在线更新可能会放大瞬时漂移问题或错误预测目标的位置。2.提出基于深度卷积特征自适应集成的滤波跟踪算法。利用集成学习的思想以及深度卷积神经网络层次化卷积特性,自适应集成不同层次卷积特征,目的是将不同跟踪器组合得到一个更强的跟踪器,能够有效解决目标在长时间跟踪过程中跟踪器性能不稳定以及尺度欠变等问题。同时通过一种在线学习机制不断更新跟踪模块中不同层次特征图谱的集成系数及相关滤波器参数,从而使得跟踪效果更加稳定、鲁棒、可靠。3.提出基于响应图多峰检测的目标跟踪算法。在现有的目标跟踪算法基础上,通过分析响应图的波峰分布情况,使用平均峰值相关能量和轨迹波动度作为跟踪置信度指标检测目标跟踪状态,并判断是否需要重新跟踪,以校正目标跟踪位置。与优化前算法相比,提出的目标位置校正策略能有效地提高跟踪精确度。