宁欣，李卫军,3，田伟娟，徐驰，徐健

（1. 中国科学院半导体研究所 高速电路与神经网络实验室，北京 100083; 2. 威富集团 形象认知计算联合实验室，北京 100083; 3. 中国科学院大学 微电子学院，北京 100029）

近年来，计算机视觉作为一门新兴学科发展十分迅速，目标跟踪作为视频监督、分析和理解的关键技术，由于其重要的学术价值、潜在的商业价值和广泛的应用前景迅速成为计算机视觉领域研究的热点和难点，已成功应用于智能监控、机器人、医学成像及人体运动分析等人机交互领域[1-2]，越来越多的学者和机构在相关方面进行了大量的研究工作，同时取得了较好的成就。然而，目标形状变化、快速运动和遮挡一直是限制目标跟踪在实际场合应用的瓶颈。

最近，KCF[3]以其高效的计算能力成功引起了众多研究者的重视和青睐，同时在目标跟踪中取得了较好的性能。该方法首次将快速Fourier变换成功应用到目标跟踪中，达到了实时跟踪的效果。然而该算法未对遮挡和快速运动中的目标跟踪作进一步处理；同时为了减少训练样本数目少的缺陷，每一帧均用于模板更新，以增强模板的检测性能，但这也使得大量的与目标无关的背景信息被加入到模板更新中，导致跟踪框漂移，目标跟踪性能下降。针对经典的KCF算法存在的问题，最新的跟踪算法主要从2个方面作改进：一种是目标特征表示的优化设计，另一种是鲁棒的分类器的设计。

1)目标新特征的优化设计方法。特征的优化设计是目标跟踪领域一个非常重要的研究线索，该方法主要致力于目标表示的设计，即通过采用机器学习方法或者深度学习方法设计表达能力更好的特征，实现目标更详细的描述。……