随着国内外科研工作者在计算机视觉领域的研究逐渐深入,提升生活幸福感的应用层出不穷,而目标跟踪在无人驾驶、视频导航、人机交互和智能监控等领域具有重要研究意义。目标跟踪是指在连续的视频流中定位并跟踪目标,目前在目标跟踪领域的研究根据跟踪背景是否发生变化可以分为静态目标跟踪和动态目标跟踪两种方式,而动态跟踪一般都会涉及对相机的控制,所以待解决的技术难点更具挑战性。本文的主要研究成果如下:1)传统的动态人体跟踪方法将人体检测和相机控制两个模块分离开来处理,而本文使用深度强化学习方法将二者集成到一个系统中,相机不需要检测模块的检测结果即可“主动地”跟踪目标。端到端学习方法的使用规避了前一个模块的误差对后续模块的影响,同时还简化了中间流程,降低了解决问题的复杂度。本文使用虚幻4引擎搭建更接近现实世界的虚拟训练和测试环境,并使用了一系列虚拟环境增强的方法,丰富且易获得的数据可以有效提升模型的泛化能力。2)本文搭建两个独立的神经网络使用非对称对抗学习方法同时训练跟踪器和目标,二者通过互相竞争的方式共同进步,跟踪器尝试紧随目标而目标试图摆脱跟踪器。但这种方式是不对称的,为了使训练更加高效,目标的移动需要受到一定的限制,最终目的是训练更鲁棒和更稳定的跟踪器。3)现有的人体跟踪领域的研究一般都不考虑人体姿态,而人体正面包含丰富的可以应用于身份识别的生物特征信息,本文所研究的主动式人体跟踪方法同时解决正面人体跟踪和不考虑人体姿态的人体跟踪。为了更好的人机交互体验,本文的跟踪策略为:当目标处于移动状态时,为避免机器人干扰到目标人体的正常行进,跟踪器仅实现紧随目标,而跟踪器在目标处于静止状态时会尝试移动到正对或近似正对目标的位置。本文最终在接近真实世界的虚拟环境中的验证实验证明使用非对称对抗学习方法训练的基于深度强化学习的主动式人体跟踪器性能更稳定。据我们所知,本文是首次在人体正面跟踪领域提出可应用的成果并在未知虚拟环境中进行了算法验证。