韩开旭，袁淑芳

(1. 北部湾大学电子与信息工程学院，广西 钦州 535011；2. 北部湾大学理学院，广西 钦州 535011)

1 引言

在视频文件分析过程中，视觉跟踪是一个至关重要的环节，尤其是在安全监督、视频压缩和机器人视觉系统等方面更是尤为重要。虽然相关科研人员从未停止对视频跟踪的研究，但是由于各种噪声、目标姿态变化和光照改变等因素，依旧是科研过程中的技术难题，尤其当视觉跟踪的目标是非刚性物体时，跟踪过程困难度更大。

陈国军等人[1]提出了基于深度学习的单目视觉图像目标跟踪方法，采用训练过的深度卷积神经网络算法计算视频中的每个图像的传输图，从而实现视觉跟踪。但是该方法存在一定的弊端，当图像背景较复杂，或者目标姿态和光照突然改变时，将会导致漂移，难以准确地跟踪目标。蒲磊等人[2]提出了基于空间可靠性约束的鲁棒视觉跟踪方法，利用预先经过训练的卷积神经网络模型提取目标的多层深度特征，与各层的滤波器进行加权融合，从而实现视觉跟踪。但是在图像复杂的情况下，难以对图像作出全面的描述或者分离出目标，往往会出现目标漂移的情况。

基于此，本文提出了基于深度学习的双阈值图像局部分块视觉跟踪方法，并通过仿真验证了该方法的可行性与有效性。

2 双阈值图像局部分块

深度卷积神经网络(Fully Convolutional Networks，FCN)是基于深度学习的一种网络模型，被广泛应用于图像分割。FCN有以下几点优势：

1)用卷积层替换全连接层，实现端到端的卷积网络训练。……