目标跟踪是计算机视觉领域中的重要研究课题,随着深度学习技术以及大规模测试数据集OTB、VOT、Got-10k等的不断发展,基于神经网络的目标跟踪算法得到了广泛关注。孪生网络系列作为其中单目标跟踪算法中的一个重要分支,通过将目标跟踪问题描述成学习一个通用的相似性映射函数问题,较好地平衡了跟踪精度与时间复杂度,随Siam RPN、Siam RPN++等算法的出现,得到了迅速繁荣。课题将孪生网络系列跟踪算法归纳到一个统一的目标跟踪系统模型下,对关键的特征提取模块进行了着重分析。与其他相关研究不同,课题并不将重点集中在网络结构与算法设计上,而是从特征提取角度拆分出空域与频域两类特征,分别设计了相应的算法框架。对于传统的空域特征网络而言,先前的研究主要关注于为孪生网络目标跟踪器引入更深、更先进的骨干网络,当前的论文则关注于在改良与升级网络架构,力求深、浅层特征间的平衡与补充。针对网络结构深、浅层结合的困难,以及重设计算法、重训练网络等复杂工程问题,考虑引入简单且易于实现的传统表观信息,对目标的描述会更加直观具体。课题设计了基于表观信息的增强空域算法,以进一步增强表观信息对于类内目标的区分度。该框架在Siam RPN++算法结构上加入了三个模块:表观特征、投票候选机制与自适应搜索区域模块。投票候选机制是为了便于表观特征模块的引入,而自适应搜索区域策略则是站在模型更新的角度对算法框架进行完善。经测试,所设计的算法框架在VOT数据集上的得分情况均位于历年挑战赛的前列,大大提升了原有算法的性能。其次,图像特征复杂多样不仅只表现于空域,频域特征也是一类非常重要的特征。针对当前的深度目标跟踪算法集中于空域上,使用CNN的空间特征,课题考虑在孪生网络系列跟踪器上初次引入频域学习。频域特征下的滤波器会优于空域特征下的降采样操作,这使得若缩小到同等特征维度下去提升算法的运算速度时,采用频域的算法框架可以更好地保留算法的原有精度。针对频域算法框架,课题采用具有孪生网络跟踪算法共性且易于后续扩展的Siam FC算法作为基准,使用DCT变换,加入频域预处理与静态通道选择操作,最终在OTB数据集下进行测试,得分结果验证了频域算法框架的可行性。同时,无论是前向推理还是反向训练过程,经特征裁剪的频域跟踪算法都具备一定运算性能优势。