视觉跟踪是计算机视觉中的一个热门研究课题,近年来其研究成果已经在各类生产环境中投入使用。摄像机使用的自动跟踪对焦、无人机用到的自动跟踪技术、基于步态的人体识别、机器人视觉导航系统、医学诊断中超声波的自动分析以及核磁序列图像等各领域都需要目标跟踪技术。目标跟踪的主要任务,简而言之,就是在连续的视频序列中建立被跟踪对象的空间位置关系,从而描绘出被跟踪对象的完整运动状态。给定被跟踪对象在视频序列第一帧中的坐标位置和大小,该对象在视频序列下一帧中的准确位置将被计算出来。根据某一帧中的目标对象位置信息,下一帧中目标对象所处的准确位置就被计算出来,如此周而复始,该对象的完整运动轨迹就被描绘出来了。被跟踪对象在运动过程中,可能会出现一些外观变化,例如姿态变化,尺度变化,以及由背景遮挡或光线亮度变化等其他条件引起的外观变化。很多目标跟踪算法的研究都在致力于解决此类问题。本文主要工作如下:(1)现有的基于深度学习的目标跟踪方法在在线更新阶段,会由于正样本的样本量不足而导致性能下降。VITAL方法提出了一种典型的网络结构,它采用生成对抗网络的思想,通过在特征空间生成mask的方式来丰富正样本。尽管这种结构取得了良好的效果,但这种丰富正样本的方式忽略了当被跟踪对象与周围对象非常相似时所发生的相似物漂移问题。特别是存在背景干扰并且同时出现与被跟踪的目标类似的其他对象时,此问题表现得尤为明显。为了解决这个问题,受DAT方法的启发,本文提出了一种新颖的将注意力机制与生成对抗网络思想融合的网络结构,它直接训练一个自带注意力的跟踪器,随着在线更新过程的进行,网络逐渐关注在目标对象中每一个可以将其与背景区分开来的区域。(2)受VITAL算法的启发,本文提出了另一种在特征空间中增强正样本的新思路,我们根据卷积层生成的特征图,利用生成对抗网络的思想,对正样本的通道特征进行选择,以此对正样本施加干扰,达到在特征空间中增强正样本的目的。同时,本文也在该模型中加入了防止出现相似对象之间漂移问题的注意力机制。在大多数深度学习的任务中,正负样本不平衡问题普遍存在,可以使用基于数据的方法和基于算法的方法解决这个问题。基于数据的方法可以通过数据类别均衡采样、扩大数据集等方法缓解这个问题。而在本文中,利用了在损失函数中加入正则项的方式解决这个问题。本文在模型中引入了一个交叉熵损失函数的变体作为模型训练过程中使用的损失函数,这种损失函数能有效控制类别不平衡问题。同时,本文还使用了一个称为AdaBound的新颖的优化算法来训练模型,它和SGD算法一样有效同时又和Adam算法一样快速,这在一定程度上加快了模型训练的速度。我们在(1)(2)的模型中均采用了这里提到的方法。通过以上工作,本文通过基于注意力对抗网络的目标跟踪方法的研究,提出了两个新颖的目标跟踪算法模型,实验证明,这两个算法在OTB 2013、OTB 2015以及VOT 2016这三个公共数据集上均达到了良好的性能。