石浩德，侯 劲,2*，李红文,2，谢金轩，移 洁

(1.四川轻化工大学 自动化与信息工程学院，四川 宜宾 644002；2.四川轻化工大学 人工智能四川省重点实验室，四川 宜宾644002)

0 引言

目标跟踪作为计算机视觉领域重要的研究方向之一，在智慧交通监测、行人异常行为检测、虚拟现实、无人驾驶等领域都有着广泛的应用需求。目前，运动目标跟踪领域仍然面临着很大的挑战，如目标遮挡、尺度变化、外观形变以及相似物体干扰等复杂因素影响。

近年来，目标跟踪[1]领域取得了突破性进展，其主要理论方法是将通信领域的相关滤波引入到目标跟踪当中。2010年，Bolme等[2]首次将信号相关滤波引入了跟踪任务，提出了MOSSE目标跟踪算法。在MOSSE的基础上，Henriques等[3]提出了CSK目标跟踪算法且证明了可以用循环位移代替随机采样进而实现密集采样，并推导了不同核函数的封闭解；随后，又将多通道的HOG[4]特征融入CSK框架中，提出了核相关滤波器(Kernel Correlation Filter，KCF)算法和对偶相关滤波器(Dual Correlation Filter，DCF)算法[5]。为了克服KCF算法边界效应影响，SRDCF算法[6]提出加入空域正则化以惩罚的形式对边界信息进行筛选。BACF算法[7]提出将整幅图像的正负样本全部用于滤波器的训练，实现跟踪器密集采样过程。STRCF算法[8]通过在SRDCF的基础上加入时间正则项，将时间正则化引入到单个样本的SRDCF中，以此来防止模型腐败。后来，随着深度学习在目标跟踪任务中的应用，极大地改变了跟踪器的性能，传统手工提取特征方式逐渐被深度特征取代，DeepSRDCF算法[9]在SRDCF基础上将HOG特征替换为单层深度卷积特征，取得了较好的效果。……