一场高质量的体育赛事往往离不开教练的战术安排,能否很好地获得运动员的实时比赛信息,比如速度和确切路线,对于教练布置人员,安排战术,起着决定性的作用。实时获取运动员比赛信息,是运动员跟踪系统的核心功能。在室外体育赛事中,多采用可穿戴GPS设备实现运动员实时跟踪,在室内体育赛事中,一般采用高精度多传感器系统,来获取运动员的位置信息。以上两种方法都会使得跟踪系统过于复杂,不易于维护。本文从实际出发,针对现有跟踪系统的缺点提出一个可以在手机移动端设备上应用的跟踪系统。该系统的核心是一个既能满足准确性又能满足实时性的跟踪算法。本论文的研究对象是基于机器视觉的采用深度学习为实现技术的单目标跟踪算法。通过对深度学习跟踪算法的研究,提出对SiamRPN(Siamese Region Proposal Network)跟踪算法的改进,提高跟踪准确度,并且把短时跟踪转换成长时跟踪。主要工作如下:1.通过对孪生网络结构的研究,在模板分支上引入了通道注意力机制,把模板图像经过特征提取网络作用以后输出的模板图像特征,进行特征筛选,给不同特征通道赋予相应的权重,更加凸显跟踪目标的特征,也能让跟踪算法适应跟踪目标在跟踪过程中的变化。2.为了让短时跟踪变成长时跟踪,且当目标发生消失并重新出现以后,跟踪算法能够重新发现目标,引入了一个简单高效不带参数的局部到全局的搜索策略。根据区域建议子网络分类分支输出的最大值来判断当前搜索区域能否覆盖目标,从而进行相应的搜索区域尺寸变换,使变换后的搜索区域可以覆盖目标。3.提出一种高效的采样策略:1)提高不同类别的正样本对数量,可以提高跟踪算法的识别能力和回归精度;2)提高不同类别的负样本对数量,可以帮助跟踪模型在目标离开视野和完全遮挡等挑战发生的情况下,避免漂移到其他任意对象上;3)提高相同类别的负样本对数量,可以让跟踪模型更加专注于当前跟踪对象的表示。其中正样本对是包含相同跟踪对象的一对图像,负样本对是包含不同跟踪对象的一对图像。4.把改进后的SiamRPN单目标跟踪算法应用到运动员长时跟踪系统上,由于手机移动端设别普遍不具有支持深度学习运算的GPU,因此借助Thrift框架,把移动端设备与具有GPU的电脑连接起来,构建运动员长时跟踪系统。