视觉跟踪通常使用目标的外观特征作为跟踪信息进行模型训练与检测,且仅在视频的第一帧能够获得来自目标检测或人工标注的准确信息,在后续跟踪中只能使用预测结果提供的信息进行模型更新,跟踪信息的数量和质量均存在严重不足,一旦发生错误预测或严重遮挡,就会产生模型漂移。针对上述问题,本文基于判别式目标跟踪理论,提出信息双重增强抗漂移视觉跟踪算法,将单一的目标外观特征表示拓展为目标外观特征、目标上下文特征和目标运动状态的多信息融合表示,构建相关滤波、颜色概率和光流运动子模型,分别对上述信息进行独立的提取与计算,输出关于目标中心位置的响应图,并通过对各响应图的加权求和实现各子模型及跟踪信息的快速整合。同时,根据响应图的峰值大小和波动情况对算法每一帧的预测结果进行质量判别,仅当预测结果满足高置信度的判定条件时,对其提供的目标信息进行学习,完成模型更新。实验结果表明,信息双重增强的改进方法是可行且有效的,信息数量的扩充能够提升跟踪模型对目标的表征能力,而信息质量的判别能减少错误预测对跟踪模型的污染,二者结合能有效解决目标跟踪过程中的模型漂移问题,提升算法的准确性和鲁棒性。相比仅采用目标外观特征信息的基准算法,本文算法在OTB-2015数据集上的平均距离精度提升了5.6%,平均成功率提升了4.7%;在OTB-2015数据集中具有出视野、低分辨率和运动模糊问题的视频序列中,平均成功率分别提升了10.2%、9.6%和7.4%。本文算法在仅采用两种简单特征表示和简单分类器的情况下,能够达到与采用深度特征或复杂分类方法的跟踪器相当的跟踪效果,实现鲁棒的视觉跟踪。该论文有图24幅,表9个,参考文献61篇。