张 睿，宋荆洲，李思昊

北京邮电大学 自动化学院，北京 100876

目标跟踪一直是计算机视觉的一大热门研究领域，在智慧医疗、智慧城市、机器人技术等前沿科技领域都扮演着重要的角色。近年来，目标跟踪技术也有着极大发展。

目前主流的目标跟踪算法主要分为两大方向，一个主要方向是基于相关滤波的，另一个主要方向是基于深度学习的。相关滤波跟踪算法的核心是训练一个滤波模板，即分类器，用于将目标从背景信息中分离出来。Bolme等人[1]提出了最小均方误差滤波（Minimum Output Sum of Squared Error，MOSSE）。Henriques等人[2]提出了一种循环结构跟踪器（Circulant Structure Tracker，CSK）。Danelljan等人[3]提出了一种基于准确尺度评估的鲁棒跟踪算法（Discriminative Scale Space Track，DSST）。成悦等人[4]提出在相关滤波的基础上，使用加权方法融合多种特征，增强算法的鲁棒性。基于相关滤波的算法存在很多不足，如在遇到目标发生较大形变与尺度变换或背景与目标高度相似等情况时不能很好地跟踪目标，此外，该类算法需要频繁更新滤波模板，导致跟踪算法的速度变慢。

近几年，孪生神经网络的发展使得深度学习在目标跟踪上的应用产生了质的飞跃，基于孪生神经网络的系列算法也一度成为近年来最主流的目标跟踪算法，其在跟踪准确性和时效性上相比于过去的算法都有了很大的提升。Bertinetto等人[5]提出了一种基于全卷积孪生神经网络的目标跟踪算法（SiamFC），该算法接收一个尺寸较小的模板图像与一个尺寸较大的待检测图像，将两张图像同时通过上下两……