目标跟踪技术作为计算机视觉技术中一个不可或缺的组成部分,在自动驾驶、医疗诊断、智慧交通、国防军事等领域有着广泛的应用,受到了国内外学者的关注与研究。尽管近些年目标跟踪算法已经取得了长足的进步,但是构建一个能够适应形变、旋转、光照、遮挡等众多干扰因素的鲁棒跟踪算法依然是一项极具挑战性的任务。本文以Siam FC孪生网络跟踪框架为基础,从网络结构、多层特征融合、模板更新机制、重校验机制和时空上下文信息等方面开展研究,具体的研究工作如下:1.针对SiamFC中主干网络AlexNet特征提取能力不足的问题,本文引入全局空间上下文模块和自适应特征融合策略对孪生网络跟踪算法进行改进。首先,将基础算法Siam FC中的主干网络替换为具有更深层次的VGG网络。其次,引入全局空间上下文模块,该模块用于建模目标周围的空间上下文信息,进一步提高跟踪算法的性能。最后,由于深度神经网络的深层特征包含更多的语义信息,浅层特征包含更多的位置信息,针对不同层级图像特征的不同特性,使用一种特征融合策略以自适应地融合深层语义特征和浅层表观特征,进一步提高图像特征的表征能力。实验证明,上述改进方案可以增强图像特征的表征能力,准确率和成功率分别较原始Siam FC跟踪算法提升了2.3%和2.2%,改进后的跟踪算法能够满足实际应用场景下的实时性要求。2.为了提高跟踪算法在复杂场景下的跟踪性能,本文使用模板特征更新策略和重校验机制对孪生网络跟踪算法进行改进。首先,使用一种可靠性判别机制对后续帧中跟踪结果的可靠性进行判断。当跟踪结果的可靠性较高时,将该跟踪器的预测结果作为最终的跟踪结果,并且将当前帧中的跟踪目标加入到目标模板库中用于更新目标模板。采用自适应的模板特征更新策略对目标模板进行更新,充分利用了跟踪目标在时序上的相关性,使得目标模板更好地适应跟踪目标在后续帧中因光照、形变等干扰因素造成的外观变化。当跟踪结果的可靠性较低时,使用重校验机制对波峰位置的候选样本进行重新判定,进一步提高跟踪器在复杂场景下的鲁棒性。实验证明,本文提出的基于模板特征更新策略和重校验机制的跟踪算法能够提高跟踪器在复杂跟踪场景下的跟踪性能,特别是在形变、光照变化、遮挡场景下,其准确率较原始Siam FC跟踪算法分别提高了5.7%、5.3%和5.5%,改进后的跟踪算法能够满足实际应用场景下的实时性要求。