王敬坤，丁德锐，梁 伟，王永雄

(上海理工大学 光电信息与计算机工程学院，上海 200093)

1 引 言

近十年来，视觉目标跟踪越来越受到人们的关注，在视觉监控[1]、人机交互[2]、增强现实[3]等多个领域都有广泛的应用[4].虽然视觉目标跟踪最近取得了很大的进展，但由于诸如光照变化、尺度变化、遮挡和背景杂波等众多因素的影响，仍然是一项非常具有挑战性的任务.

最近，基于孪生网络的跟踪器因其良好的准确性和速度在学术界中引起了极大的研究关注[5-14].这些孪生跟踪器将视觉目标跟踪问题转化为目标模板特征和搜索区域的特征之间的相似图的互相关联学习问题.例如，CFNet[15]跟踪器和DSiam[16]跟踪器分别通过运行平均模板和快速转换模块更新跟踪模型.SiamRPN[10]跟踪器在孪生网络之后引入区域候选网络，进行联合分类和回归跟踪.DaSiamRPN[11]跟踪器进一步引入干扰感知模块，提高了模型的识别能力.

上述孪生跟踪器已经取得了较好的跟踪性能，特别是在平衡精度和速度方面表现良好，但与先进ECO[17]算法相比，即使是先进的孪生跟踪器(如SiamRPN、DaSiamRPN)在基准数据集(如OTB2015[18])上的准确度仍然有显著的差距.这些跟踪器主要采用了类似于AlexNet[19]的网络架构.对现有的孪生跟踪器进行分析，不难发现其核心原因：1)严格的平移不变性难以保证；2)训练样本分布不均衡；3)低层次空间特征没有充分的利用；4)单阶段的跟踪器使用预定义的锚点框不足以精确定位.

具体地，由于目标可能出现在搜索区域……