视觉目标跟踪是计算机视觉的重要研究内容,在智能机器人、视频监控、人机交互等智能视频处理相关的领域应用广泛。近年来,基于相关滤波的跟踪算法由于极佳的实时性能,备受关注、发展迅速,但是其有限的识别能力难以应对一些特殊的复杂场景。与此同时,基于卷积神经网络的跟踪算法得益于大量的训练数据,凭借强大的分类识别能力也受到了广泛的关注,但是庞大的参数量使其无法高效地进行模型在线更新,在追求速度的同时往往丢失特定域的信息。本文以验证器为桥梁,通过多线程并行的方式对这一热点进行探索,主要完成的工作内容有:(1)提出三分支双线程并行跟踪算法结构,以在线更新模型参数的相关滤波算法作为主线程算法,进行快速跟踪,同时第二线程运行验证器对跟踪结果进行验证,在跟踪结果可靠性下降后启动纠正算法对跟踪结果进行校正。纠正算法分为两个分支,分别处理跟踪框尺度不准确和目标完全脱离两种情况。(2)分析影响网络特征在跟踪算法中使用效果的几点因素,在残差网络的基础上进行调整,增加裁剪操作,更改卷积步长得到了一个更适应跟踪任务的特征网络。(3)用全卷积网络实现了一个能够在线进行参数更新的跟踪模型,将网络优化过程转化为对高斯-牛顿子问题的优化,并且使用反向传播函数实现了该优化过程。整体模型与相关滤波模型等价。(4)使用孪生网络结构实现IoU预测网络,在跟踪过程中对跟踪框与目标真实边界框的IoU进行有效预测,并以IoU为优化目标,采用共轭梯度法对跟踪框进行迭代,实现对跟踪结果的精确调整。进而利用IoU预测网络作为弱纠正器实现了对尺度偏离等细小偏差的纠正。最后使用不断扩大搜索区域的孪生网络,配合区域池化,实现强纠正器,成功对跟踪目标完全丢失这种情况进行有效处理。