目标跟踪是一种要求定位并持续跟踪视频片段中的目标的计算机视觉任务,由于在交通、医疗、安防等多个领域存在难以替代的应用价值,自诞生以来便广泛得到研究人员的关注。经过长期发展,目前主流目标跟踪算法可划分为两类:基于相关滤波的算法和基于深度学习的算法。前者兼顾优秀的运行效率和跟踪效果,后者则得益于神经网络强大的可塑性和海量训练数据,不断取得越来越瞩目的成绩。这两类算法均存在巨大的发展空间,同时也互相取长补短,共同推进着目标跟踪算法的发展。然而,当前目标跟踪任务中仍有许多等待研究人员攻克的难点,复杂场景下的高精度目标跟踪便是其中之一:真实应用环境的复杂性往往会对目标跟踪算法的决策产生干扰,影响算法的输出,威胁算法跟踪结果的精度。值得注意的是,当前目标跟踪算法研究中出现了以孪生网络为基础、融合视频目标分割以提升跟踪效果的算法,该算法利用神经网络得到目标的分割掩膜,据此生成跟踪结果。本文以该思路为基础设计旋转目标框生成解决方案,以此实现复杂场景下的高精度目标跟踪。该解决方案使用旋转目标框回归算法处理旋转目标框生成任务,涉及的工作可归纳如下:1.设计旋转目标框生成任务。对于融合视频目标分割的目标跟踪算法,为了方便研究高效精确的跟踪结果生成方法,本文将算法中根据目标掩膜生成旋转目标框这一图像处理步骤提炼为独立的任务,并定义统一的输入输出数据格式和评价标准,为围绕该任务研发的方法提供规范。2.旋转目标框生成任务的数据集开发。为了支持旋转目标框生成任务的研究,本文提供了相应的数据集。数据集图像来自于对现有公开数据集目标掩膜数据的加工,标注则使用算法依据图像数据自动生成。3.构造旋转目标框回归算法。本文引入神经网络回归方法处理旋转目标框生成任务,并探讨了该方法的可行性。得益于任务特性和本文提供的数据集的标注生成算法的特性,理论上旋转目标框回归算法可以帮助目标跟踪算法提升复杂场景下跟踪精度表现。4.旋转目标框回归算法实现。本文提供了旋转目标框回归算法的一个具体实现,可将其植入到现有的融合视频目标分割的目标跟踪算法中。该算法的数据处理方式确保其与现有目标跟踪算法的网络结构解耦,保证算法训练的独立性,方便植入和移植。对于该算法,本文基于不同思路构建了三种网络实现,使用了优化的损失函数。最后,在三种网络实现下,本文进行了完备的实验,测试算法训练方式的有效性,以及将该算法植入到现有目标跟踪算法后的跟踪效果。