张 杰，常天庆，郭理彬，张 雷，马金盾

陆军装甲兵学院 兵器与控制系，北京100072

目标跟踪是计算机视觉中十分重要并且极具挑战的研究课题之一，未来在视频监控、智能驾驶、智能家居和军事航天等领域都具有较大的应用前景[1-2]。经过几十年的发展，目标跟踪问题已经取得了巨大的发展，尤其是近十年，基于相关滤波的跟踪方法和基于深度学习的图像表示使得目标跟踪问题进入了发展的快车道[3-5]。虽然目标跟踪已经取得了骄人的成绩，已经能够解决一些问题，但是目标遮挡、光照变化、目标形变等因素依旧制约着跟踪算法的性能，这也是目前跟踪领域急需解决的难点问题[6]。

基于相关滤波的跟踪方法具有较高的跟踪速率，受到研究者的广泛关注[7]。基于相关滤波的跟踪方法是通过提取当前帧目标及其周围区域图像特征，通过循环采样实现训练样本的扩展，通过傅里叶变换将图像特征由空域转换到频域，并通过求解岭回归方程得到滤波器[8]。将滤波器与下一帧图像待检测区域进行相关运算得到目标响应，由最大响应值位置确定目标位置。基于相关滤波跟踪方法的框架，大量的主流跟踪算法提取图像的方向梯度直方图（Histogram of Oriented Gradient，HOG）特征进行跟踪[8-10]。这些使用方向梯度直方图特征的跟踪算法跟踪虽然在跟踪性能上表现较好，但是滤波器严重依赖于目标的空间信息，当目标发生快速变化时跟踪器的跟踪效果便会变差。

2016年Bertinetto等提出了……