张天宇

（北京邮电大学人工智能学院，北京 100876）

1 引言

视觉目标跟踪（Visual Object Tracking, VOT）是指在一段视频序列的初始帧中给定目标的边界框信息，进而标定该目标在此视频序列所有后续帧中的精确位置，从而得到目标在视频中完整的运动轨迹。目标跟踪是计算机视觉的基本研究方向之一，应用范围十分广泛，包括视频监控、无人驾驶、人机交互和增强现实等。然而，由于视频亮度、目标变形、遮挡和快速运动而导致的频繁外观变化是目标跟踪任务一直面临的挑战。

现代跟踪器有两个分支：第一个分支基于相关滤波器，相关滤波利用循环相关的特征，通过傅里叶域来训练回归器，该回归器可以进行在线跟踪并有效地更新过滤器的权重，随着深度学习的发展，最近提出的基于相关滤波的方法也充分利用了深度特征来提高跟踪器的准确性；另一分支旨在通过利用深度学习来使模型获得强大的自主学习能力。具体来说，有两种基于深度学习的跟踪器：第一类是经过预训练的判别式分类器，通过区分前景（目标）和背景来对目标进行持续的跟踪，这种类型的跟踪器有效利用了图像中的背景信息，因此在多个公开测试集中表现出了具有竞争力的结果；第二类基于相似性匹配，此类型的跟踪器通过在模板框架和搜索框架中的候选区域之间执行互相关操作来获得得分图，得分最高的位置将被视为目标的当前位置。深度卷积神经网络通常利用Siamese结构来实现相似性学习，这种方法在为跟踪器提供出色计算效率的同时，又能使其保持具有竞争力的准确性。……