为提升孪生网络视觉跟踪算法的准确性,提出一种融合多任务差异化同质型模型的孪生网络视觉跟踪算法。首先在决策层对孪生网络视觉跟踪模型与目标分割模型进行融合,然后结合多尺度搜索区域、目标上下文特征、多学习率模型更新策略进行跟踪。在标准数据集VOT、OTB、LaSOT、UAV123上进行算法评估。实验结果表明,所提算法在遮挡、快速运动、光照变化等干扰下可以稳定跟踪目标。

为提高卷积相关滤波算法的速度和精度,提出一种基于通道裁剪与加权融合的跟踪算法。该算法选取适合目标跟踪的单层卷积特征,通过特征均值比裁剪无效卷积通道,再融合一维灰度特征,提升了特征的表征能力。然后以特征均值比为卷积通道权重构造加权相关滤波算法,预测目标位置,并用帧差均值最小化精定位方法减小预测位置误差;最后通过更新跟踪模型,以进一步提高算法速度。在标准数据集OTB-100上对算法进行测试。结果表明,所提算法的平均距离精度为91.3%,平均速度为31.8 frame/s。所提算法可有效提高目标跟踪的速度和精度,在目标遇到遮挡、尺度变化、快速运动及形变时仍可有效跟踪目标。

为提升分层卷积相关滤波跟踪算法的速度和精度, 减少无效卷积通道特征对跟踪精度的影响, 提出一种自适应特征选择的分层卷积相关滤波跟踪方法.该方法选取能表征目标的双层卷积特征, 将相关滤波训练与预测合并, 在视频序列的每一帧计算上一帧目标区域与非目标区域的卷积特征均值比, 选取满足特征均值比要求的卷积通道特征训练相关滤波分类器, 根据分类器与目标特征的最大响应值预测目标位置; 最后根据预测结果稀疏更新目标初始帧特征, 作为后续帧训练分类器的依据.在OTB-100标准数据集上对算法进行测试, 实验结果表明本文算法的平均距离精度为91%, 平均重叠率精度为64.4%, 平均速度为21.7帧/秒, 比原分层卷积相关滤波跟踪算法分别高出7.3、8.2个百分点和11.3帧/秒, 该算法的平均距离精度比高精度的连续卷积跟踪算法（CCOT)高1.2个百分点, 跟踪速度是CCOT的近20倍.本文算法可以有效提升分层卷积跟踪算法的速度和精度, 在目标发生遮挡、快速运动等干扰时能稳定跟踪到目标.

为提升卷积特征目标跟踪算法的实时性和稳健性,利用不同卷积层特征对不同目标表征能力不同的特性,提出双模型自适应切换的实时跟踪方法。该方法对选取的两个卷积层特征使用目标区域和跟踪搜索区域卷积特征的能量均值比来评估卷积特征,选择能量均值比大于给定阈值的卷积通道特征来训练两个相关滤波分类器,然后利用目标相关滤波响应图的峰旁比自适应切换两个相关滤波分类器来预测目标位置,最后采用稀疏模型更新策略来更新分类器。在标准数据集上进行算法测试,实验结果表明,本文算法平均距离精度为89.3%,接近连续卷积跟踪算法,平均跟踪速度为25.8 frams/s,是连续卷积跟踪算法的25倍,整体性能优于实验中的对比跟踪算法。

为了让相关滤波模型更加适应目标外观的变化, 提高相关滤波跟踪算法的鲁棒性和实时性, 根据相关滤波响应值、帧差均值和目标运动位移之间的关系, 提出了一种单层卷积相关滤波实时跟踪模型的自适应学习率调整跟踪方法.该方法首先选取单个卷积层卷积特征, 减少了卷积特征维度, 然后使用单层卷积特征训练相关滤波分类器预测目标位置, 用快速尺度预测方法估计跟踪目标的尺度, 并采用稀疏的模型更新策略, 提高跟踪的速度; 最后利用相关滤波预测响应图的峰旁比估计预测位置的可信度, 结合图像帧差均值和目标的运动位移量来评估目标的表观变化, 并根据目标预测的可信度和表观变化情况自适应调整相关滤波模型更新的学习率, 使模型快速学习目标的变化特征, 提高了目标跟踪的精度.在OTB100数据集上对算法进行测试, 实验结果表明, 本文算法的平均距离精度达90.1%, 优于实验中对比的9种主流算法, 平均成功率值为79.2%, 仅次于9种算法中的连续卷积跟踪算法, 平均速度为31.8帧/秒, 是连续卷积相关滤波算法的近30倍.