目标跟踪是模式识别和计算机视觉中的基本研究问题,是图像与视频分析领域中的重要处理技术,在各类人工智能应用场景中扮演关键角色。目标跟踪旨在根据给定的初始状态对复杂背景下的目标进行动态表观信息建模,对图像序列进行后序目标状态的估计,以实现机器算法对目标位置和大小的持续判定。经过三十多年的研究和发展,研究学者相继提出大量的目标跟踪理论、方法和对应数据集,始终保持着对该方向深入挖掘的研究活力。近年来,随着改良的机器学习方法和深度神经网络在各类视觉任务中展现出的优异性能,目标跟踪领域的主要研究手段也集中于这两方面。具体来说,基于相关滤波框架的跟踪理论在传统机器学习方法的基础上引入时频变换理论支持的样本扩充技术,提升了跟踪精度和效率;而深度神经网络则提供了较之传统特征更具鉴别性的特征表示,进一步提升了跟踪精度和鲁棒性。本文在相关滤波框架的基础上,分析其在滤波器建模过程中存在的不足,探索其与不同特征表示输入的结合形式,构造新的相关滤波跟踪模型,提出有效的实现方案。本文的主要工作概括如下:(1)提出了一种基于动态空间特征选择的相关滤波跟踪模型。利用组稀疏正则项、时序一致项和阈值裁减方法对滤波器进行特征选择。该算法通过特征选择构造具有鉴别性的空间支撑,可以有效缓解相关滤波框架存在的边界效应问题,结合空间前景和背景信息对滤波器进行建模,学习得到处于低维流形上的滤波器,同时增强了滤波器的可解释性和鲁棒性。(2)提出了一种基于空间特征选择和通道特征选择融合的相关滤波跟踪模型。利用空间和通道属性对滤波器内的变量进行编组,结合时序低秩约束和组稀疏要求对滤波器进行学习。该算法同时在空间维度和通道维度上对滤波器进行特征选择,学习得到更低维度的滤波器,在缓解边界效应的同时去除了多通道特征上存在的噪声和冗余,进一步增强了跟踪性能。(3)提出了一种基于改良交替方向乘子法优化的加速相关滤波跟踪模型。利用轻量级深度神经网络进行特征提取,结合连续动力系统对离散迭代优化进行加速算法设计。通过证明离散迭代优化方法和连续动力系统之间的等价性,在传统交替方向乘子法的基础上引入迭代动量和自适应初始化技术,将算法收敛速度从O(1/k)提升至O(1/k2),同时由连续动力系统提供稳定性保证。(4)提出了一种基于不同特征表示的由粗粒度到细粒度的跟踪策略。探索和分析传统特征与深度特征在跟踪精度和鲁棒性上的特点,利用深度特征具有较大感受野的优势对目标进行粗粒度跟踪定位,再结合传统特征具有较大分辨率的优势对目标进行细粒度跟踪。通过研究不同特征表示间的差异,实现两阶段的互补跟踪,以此增强已有模型的跟踪性能。