目标跟踪是指在视频图像序列中使用特定方式标注出目标对象所在的空间位置,以得到目标对象的运动轨迹。目标跟踪技术作为计算机视觉领域的研究热点,可应用于智能机器人、无人驾驶等领域。本文以兼顾目标跟踪系统的跟踪实时性和提高系统在面对各类环境因素变化时的鲁棒性为目的,聚焦研究单目标跟踪技术,并完成目标跟踪系统在智能机器人平台中的集成实现,因此,本文研究内容具有重要的现实意义和应用价值。首先,本文介绍了目标跟踪领域的国内外研究现状,归纳了该领域相关工作的研究要点,并总结了当前发展阶段存在的不足,明确了本文的研究重点在网络模型和优化策略的设计。基于以上内容,本文完成了目标跟踪系统的总体设计方案,并介绍了研究过程中涉及的相关数据集、性能评价指标以及目标初始化方法。针对传统的孪生网络类型的跟踪方法通常只使用包含语义信息的深层特征完成相似性匹配,并没有充分利用包含细致的表观信息的浅层特征以及在浅层的表观特征和深层的语义特征之间起过渡作用的中层特征,导致跟踪系统在面对目标遮挡、运动模糊和分辨率低等复杂情况时,对目标和背景的区分能力有待进一步提高的问题,本文提出了一种基于浅-中-深三级特征融合的孪生网络跟踪方法。首先,通过从浅、中、深三类网络层提取出对应的特征图并进行特征级别的融合得到互补特征图,从而实现对跟踪目标更具判辨性的特征表达;然后,将孪生网络两条分支的互补特征图通过相关计算得到一对相似性得分图;最后,将这对相似性得分图进行分数级别的融合得到最终的得分图,以实现对目标的准确定位和跟踪。实验结果表明,基于浅-中-深三级特征融合的孪生网络跟踪方法,充分发挥了不同网络层级的图像特征的优势,在保证跟踪实时性的基础上,具有良好的跟踪性能。针对孪生网络相似性匹配机制的缺陷,以及传统孪生网络跟踪方法通常使用余弦窗滤波导致对目标相似物干扰的抑制效果有限的问题,本文提出了一种基于聚类的自适应矩形窗滤波优化策略。首先,在得分图中构建平面直角坐标系,实现对得分图的量化,并寻找到得分图中的峰值点,以峰值点作为初始聚类中心完成聚类;然后通过计算聚类中心与最远聚类点的距离,以该距离控制矩形窗的尺寸大小,实现矩形窗尺寸方面的自适应变化;最后,由于视频相邻帧之间符合严格的时间序列关系,目标运动状态具有连续性,从而可以对目标的运动方向进行预测,因为目标实际运动与得分图峰值点位置变化具有映射关系,所以可沿目标运动方向对得分图进行滤波,实现矩形窗滤波方向的自适应变化。实验结果表明,基于聚类的自适应矩形窗滤波优化策略能够有效克服目标相似物的干扰,进一步提高跟踪系统的鲁棒性。最后,本文构建了基于目标跟踪的智能机器人的控制系统,完成了利用目标跟踪结果对机器人运动状态进行控制的相关功能的集成实现,记录并分析了相关实验数据,从而证明了本文提出的目标跟踪方法的有效性和实用价值。