目标跟踪技术是计算机视觉领域的热点问题之一,被广泛应用于生活生中的各个领域。而随着科技的发展,海量的视频数据如何被快速地检索和跟踪成为了人工智能发展研究的一个热点与难点。研究人员和学者针对现有目标跟踪算法的问题,从不同的角度出发提出了一系列的解决方案。传统的视频目标跟踪算法基于手工选择特征,跟踪效果很大程度上取决于算法开发者的先验经验,主观性大,算法的鲁棒性较差,只能在特定场景使用,而深度学习技术凭借其强大的特征自动提取能力,大大提高了目标跟踪算法的鲁棒性以及泛化能力。但是由于背景的复杂性、物体自身的改变等因素影响,目标跟踪仍然是一个非常具有挑战性的研究热点。本文的主要工作有:(1)提出了一种特征融合的目标跟踪算法,用来增强算法的抗干扰性,提高算法的判别能力。本文研究了外观特征在目标跟踪算法中的应用,提取全局特征中的颜色特征和局部特征中的SURF特征,与全卷积孪生网络的深层特征相结合,剔除一部分错误的候选区域框,有效提升算法的判别能力。(2)针对全卷积孪生网络离线跟踪,丢失目标后无法重新初始化的缺点,提出了一种长时间的跟踪模型,对ViBe快速目标检测算法进行改进,当全卷积孪生网络丢失目标跟踪失败后,ViBe算法能够重新选定目标,连续跟踪。