目标跟踪是计算机视觉的基础研究内容之一,其广泛应用于人机交互、公共安全监测以及自动驾驶等领域。目标跟踪的主要任务是在给定目标初始位置的情况下,利用跟踪算法预测该目标在后续视频帧中的位置。在非结构化自然场景中,被跟踪目标将不可避免的遭遇光照变化、目标尺度变化、目标快速运动、复杂背景干扰等问题,这为长时鲁棒的目标跟踪带来了巨大的挑战。由于被跟踪目标存在目标表观多样性以及复杂背景干扰等问题,本文的研究旨在设计出一种鲁棒的自适应目标跟踪算法,以期解决上述问题。本文在探讨目标跟踪相关理论的基础上,基于孪生网络结构设计目标跟踪算法,从多特征融合以及注意力机制这两个方向入手开展本论文研究。具体完成的工作和创新如下:1.为了搭建基于孪生网络的目标跟踪算法框架,本文探讨目标跟踪的相关基础知识。在特征提取方面,分析手工设计特征HOG和CN以及深度特征CNN的实现机理。在算法框架方面,研究孪生网络基础结构以及相关滤波计算机制。在目标跟踪数据集方面,总结整理模型训练数据集、对比实验验证数据集以及对比实验评价指标等内容。2.大多数特征融合方法仅对多种特征进行简单的线性融合,为了探索特征之间的深度联系,本文提出一种基于孪生网络的特征融合目标跟踪方法。本论文研究期望建立特征提取与特征融合之间的联系,从而提升跟踪方法的自适应性。在模型训练过程中,通过后向反馈机制不断优化特征提取层和特征融合层中的参数,提升多特征融合的紧密度与灵活性。跟踪过程中,网络输出的融合结果可以更为可靠地预测目标位置以解决目标表观多样性以及复杂背景干扰等问题。最后,在实验数据集TC-128、OTB50以及UAV123上进行对比实验,实验结果表明本文提出的特征融合网络能够有效提升跟踪性能。3.本论文采用高维特征对目标进行表观建模。为了定量区分同种特征不同通道上的特征值对目标表观建模的重要程度,本文在特征融合网络的基础上,引入注意力机制,以提升不同特征通道上特征融合的自适应性。最后,在实验数据集TC-128、OTB50以及UAV123上进行对比实验,实验结果表明,与特征融合网络相比,结合注意力机制的特征融合网络可以更进一步地提升跟踪性能。本论文研究通过结合特征融合以及注意力机制,提出一种鲁棒的自适应目标跟踪算法。对比实验结果表明,本文提出的方法可以显著提升跟踪算法的性能。在本论文研究的基础上,对下一步工作进行展望,包括利用光流信息选取目标搜索区域,以及结合语义信息和强化学习等前沿技术进一步提升跟踪算法性能。