实时目标跟踪是计算机视觉的一个关键领域,目前广泛应用于智能交通和智能工业技术。目标跟踪按目标数量分成单目标跟踪与多目标跟踪。近年来与单目标跟踪的相关算法取得一定突破,但仍面临尺度变化、遮挡、边界效应等诸多挑战,还有很多理论问题需进一步研究。该文深入分析了单目标跟踪的背景,对相关技术和方法进行了改进,取得了阶段性成果。该文以深度学习算法Keep Track和Siamese孪生网络结构为基础,引入多分辨率机制、基于Transformer的编解码网络和无约束的位置编码方法,利用相关数据集训练模型并验证改进后的跟踪性能。与经典跟踪算法进行对比,实验结果表明,改进的单目标跟踪网络跟踪性能提高。具体工作内容如下:首先,为了使骨干网络自主学习输入图像中更为重要的特征信息,引入Involution卷积结构,利用了RedNet-50网络自注意力机制,将Red Net-50嵌入Keep Track算法得到的模型在提取复杂特征时,Red Net-50中的内卷操作将权重自适应地分配到不同的位置,在空间域中将信息素进行优先级排序,为跟踪器的后处理模块带来极大优势。其次,分析复杂场景下基于全卷积孪生网络SiamFC的跟踪算法中跟踪失败的原因,探究设计了多分辨率方法,将该方法嵌入基于孪生网络的跟踪算法中,有效解决了目标发生遮挡时跟踪框的偏移问题。增强了Siam FC的鲁棒性和跟踪准确性。最后,将Transformer特征融合和无约束的位置编码策略应用到SiamCAR算法中。编码器网络将模板图像与搜索图像中的特征token进行连接融合,通过注意力机制逐层增强连接融合后的特征token,位置编码帮助模型区分来自不同来源不同位置的token,解码器网络生成搜索图的最终特征图,并将其反馈给预测头网络。改进网络与SiamCAR相比得到更精确的边界框估计图。