1.1目的及意义：

视觉是我们信息获取源中最重要的来源之一。随着社会的信息化程度越来越高，海量的图片、视频等即时信息应运而生，所以如何识别处理并且分析理解这些信息就成为了越来越关键并且亟需解决的问题。基于这些问题，目标跟踪逐渐发展成计算机视觉中一个重要的分支。目标跟踪是计算机视觉领域的基础问题之一,是后续应用如目标识别，行为识别等的基础。由于数字通信等各种电子设备的发展，特别是图像传感器技术的迅速发展，视频与图像数量的增长速度已经超出了人工所能处理的能力范围，所以如何让机器接收、理解和分析这些视觉信息是当前最具有研究价值的领域之一。计算机视觉分析系统包含三个阶段：目标检测、目标跟踪和分析理解。目标跟踪是在给定初始目标的条件下，在一个连续视频序列的每一帧找到跟踪目标，其输出作为后续分析理解的输入，是视觉分析中承上启下的一个阶段。目标跟踪融合了图像处理、模式识别、机器学习、人工智能、人工神经网络、物理学、生物学等学科的技术，被逐渐应用于国民经济和国防建设等方面[1]。主要的应用场合有：视频监控、人机交互、视觉导航和军事用途。

除了以上应用，目标跟踪技术在航空航天、环境探测和医学诊断等领域也有广泛的应用。几乎所有涉及到图像或视频的处理和分析的研究都不可避免的要用到目标跟踪的技术。

1.2国内外研究现状：

目标跟踪的历史可以追踪到上世纪五十年代。在众多学者近六十年的研究与发展下，目标跟踪逐渐发展成为了比较成熟的技术。

到了二十一世纪之后，目标跟踪的发展速度急剧增长，愈来愈多的算法被提出来解决各样的问题，并都取得了不错的效果。2009年，Mei等提出了基于稀疏表示的在线跟踪算法[8]；2011年，Sam Hare等人提出了基于支持向量机（Support Vector Machine，SVM）结构化输出预测的自适应目标跟踪算法[9]。2012年，Zhang等人出了基于压缩感知的在线跟踪算法[10-11]。该算法在满足实时性的情况下也能有较高的精度，并且根据目标的外观模型将跟踪方法分成了判别模式和生成模式，从此之后在线跟踪方法成为了目标跟踪的热点研究方向。2010年，D.S.Bolme等人首次提出基于最小输出算法平方误差和（Minimum Output Sum of Squared Error，MOOSE）的相关滤波算法[12]；2015年，Henriques等人利用方向梯度直方图（Histogram of Oriented Gradient，HOG）特征表示目标[13]，提出了核化相关滤波（Kernelized CorrelationFilters，KCF）的跟踪算法，这个算法无论从精度、速度还是成功率上都超越了大多数的算法。随着深度学习的理论日渐成熟，计算机的各个领域也都在尝试采用深度学习的算法来解决现有的问题，目标跟踪领域中也同样有许多学者进行了试验。X.Zhou等人利用深度网络与在线提升（Online Boosting）算法结合解决目标跟踪问题[14]，在平均误差和重叠度等指标上取得了不错的成绩，但是由于深度学习的算法复杂度很高，跟踪速度只能达到几秒甚至十几秒一帧，离实时性的要求还有很大的距离。

2. 研究的基本内容与方案

2.1主要研究内容：

在计算机视觉系统中，主要分为目标检测、目标跟踪和分析理解这三个阶段，目标跟踪就是其中一个重要的阶段。目标跟踪是分析理解的基础，在视频监控、人机交互、视觉导航、军事用途等很多方面均有应用。

2.2拟采用的技术方案：

目标跟踪算法从目标中提取特征并建立目标外观模型，良好的目标模型不仅需要体现出目标的外观特性，还需要体现出目标的外观变化。目标模型的建立一般由两个部分组成，即建立外观模型和更新外观模型。目标模型建立的好与坏，直接影响跟踪效果。