伴随着平安城市的到来,视频监视领域获得了快速的发展,各种智能终端应运而生,而视觉目标跟踪作为视频监视的一项关键技术起到了至关重要的作用;由于视觉目标跟踪技术可以应用在自动驾驶系统中做目标的实时跟踪,因而受到研究人员的广泛关注。尽管当前已经存在了很多性能优异的视觉跟踪算法,但是这些算法还不能满足现实场景中的速度和精度要求。针对现实场景中对视觉目标跟踪算法提出的实时准确的需求,本文对现有的国内外经典的视觉目标跟踪算法进行了深入的研究和分析,针对这些算法中存在的几个关键问题提出了一些高效的解决方案,最终提出了一种灵活、高效、高精度的视觉目标跟踪算法ATVC。本文首先对ECO和SINT算法的原理进行了深入的剖析;然后寻找出这些算法中存在的一些关键问题;接着针对这些具体的问题提出了相应的解决方案。对于视频中待跟踪的目标而言,是有所谓的难易之分的,我们可以跟踪视频帧的难易情况采用不同的解决方案,为了对视频中的视频帧进行难易的区分,本文设计了一个新的验证模块来解决这个问题;针对视觉跟踪算法中存在的目标重跟踪和目标重出现等问题,本文提出了一个灵活高效的纠错模块,该模块可以嵌入到任何一个跟踪器上面;针对SINT算法而言,本文提出了多个新的改进思路来改善该算法的跟踪性能,通过引入ROIAlign层来获得一个更加准确的BoundingBox(BB);通过加入残差块使得网络能够获得更加鲁棒的特征表示,同时加快网络的训练;通过融入FPN的思路来更好的解决视觉目标跟踪算法中的尺度和外观改变问题,进一步提升特征的鲁棒性。为了验证本文改进的视觉跟踪算法的有效性,本文在OTB50、OTB100、TC128、UAV123等多个经典的跟踪数据集上面进行了性能测试。为了客观的对本文提出的算法进行性能评估,本文在不同的数据集上面分别进行了客观指标评价和主观指标评价;除此之外,为了证明本文提出的改进方案的有效性,本文分别测试了不同模块带来的性能提升。大量的测试结果表明本文提出的视觉目标跟踪算法不仅具有更高的精度,而且比较灵活,更能满足现实场景的需要,可以针对不能的任务做模块的裁剪。本文提出的视觉跟踪算法可以在GTX 1080 GPU上面获得35fps的帧率,基本满足了实时场景的需要。综上所述,本文提出的视觉目标跟踪算法ATVC具有高精度、易用性、高灵活度、满足现实场景需要等多个优点,可以针对现实场景中的具体任务进行裁剪,基本可以满足现实场景的需求。