姬张建，任兴旺

（1.山西大学计算机与信息技术学院，太原 030006；2.山西大学大数据科学与产业研究院，太原 030006）

（*通信作者电子邮箱jizhangjian@sxu.edu.cn）

0 引言

目标跟踪是计算机视觉领域中一个重要的研究课题，在机器人运动路径规划、汽车辅助驾驶以及军事目标追踪等方面有着广泛的应用，进而得到了越来越多专家学者的关注［1-2］；但是在真实场景中面临的各种挑战，如复杂的背景、光照变化、目标物被遮挡以及运动物体的旋转尺度变化等，严重影响现有目标跟踪算法的性能，使得如何准确地对目标进行跟踪成为研究难题。

目前常见的目标跟踪算法可分为两类：基于相关滤波框架的跟踪算法和基于深度孪生网络框架的跟踪算法。相关滤波算法主要应用于信号处理领域，用来描述两个信号之间的相关性，目标跟踪的过程同样可视为模板与待搜索区域间相关性的计算。Bolme 等［3］首次将相关滤波思想引入到目标跟踪任务中，提出了基于平方误差最小和滤波器的跟踪算法，实现了每秒600 多帧的跟踪速度，但跟踪性能较差。之后为了提高算法的鲁棒性，文献［4］将表征能力更强的梯度直方图（Histogram of Oriented Gradients，HOG）特征［5］引入到相关滤波跟踪模型中实现了更好跟踪性能的核相关滤波（Kernelized Correlation Filters，KCF）算法；然而，该算法仅限于估计目标的平移运动，当目标发生较大的尺度变化时跟踪性能很差。Danelljan 等［6］将深度特征引入跟踪模型中，提出了一种高效的卷积操作（Efficient Convolution Operators for tracking，ECO）算法。由于相关滤波本身缺少对尺度变化的估计能力，文献［7］使用可分离的尺度滤波器来估计目标的尺度提出带尺度估计的算法DSST（Discriminative Scale Space Tracker）。……