视频在信息社会中正扮演着越来越重要的角色,从信息的丰富程度来看,视频要远远超过文字或图像。人们日常生活产生的视频数量正以惊人的速度增加。视频网站自然希望能够实现视频内容的自动化分析,从而挖掘潜在的商业价值。视觉目标跟踪正是这一技术的关键点之一。过去的研究工作使用了大量的机器学习方法来尝试解决这个问题,也取得了一定的进展。然而实际场景下拍摄的视频比较复杂,跟踪器饱受视频中存在的抖动模糊、画面分辨率低、光照强度变化等因素的影响,长时间对目标的稳定跟踪面临很大的挑战性。本文在近期流行的相关滤波跟踪框架上进行了一系列改进,提出了两种新的跟踪方法。相关滤波器能够高效地利用大量的样本在线训练,非常适合实时跟踪。但是经典的相关滤波跟踪器仍然存在着定位精度不高、易跟丢等不足,针对这些问题本文提出了以下创新性成果。对于传统的单模型方案,跟踪器难以迅速适应目标的外观变化,即使能勉强跟踪上目标,输出的预测框准确度也不高。本文提出了一种长短时双模型融合的跟踪方法,在原有的长时模型之外,另外学习一个短时的模型。短时模型只用与当前帧相邻的帧训练,目标在这些帧里高度相似,容易和背景或干扰物区分开来。长时模型做二分类的稳定性要高于短时模型,而短时模型则弥补了长时模型细节分辨能力差的缺点。通过融合两者,可以实现更加精确的位置估计。在特征的选择上,本文使用了层次化的深度图像表示,即多层卷积神经网络的输出。这样的特征兼备了高抽象度和充足的空间分辨率,加上卷积网络固有的抗平移特性,能够降低目标外观变化的影响。在OTB2015数据集上,本文的方法取得了 86.6%的平均距离精度和68.0%的平均重合精度,在所有比较的方法中获得了第一。将预训练的特征提取网络嵌入到目标跟踪框架中固然方便,分开优化却不一定会取得最优解。因此本文提出了一种端对端的跟踪方法,将特征提取和在线跟踪整合到同一个网络中。对于特征提取,本文使用对称网络,模板和搜索域分别由两路不同的通道输入,最终经过同等的变换。之后用一个线性层等效相关滤波,这样梯度就能通过相关滤波层传播到特征网络中,从而实现整体优化。网络预测出的边界框往往和目标贴合得不够紧密,采集样本时会引入额外的噪声,本文利用前几帧的特征在线训练了一个边界框回归器,对结果进行改进。实验结果表明,端对端网络的输出更加准确,取得了 71.4%的平均重合精度,同时该方法还具有较快的跟踪速度。