针对目标跟踪中出现的尺度变化、旋转和遮挡等问题, 提出了基于分层卷积特征的自适应目标跟踪算法。利用卷积神经网络提取分层卷积特征, 利用相关滤波算法获取卷积特征响应图, 并通过响应图的加权融合估计目标位置。利用一种边缘检测算法实现尺度自适应跟踪。利用峰旁比判断目标的置信度, 解决遮挡情况下的模板更新问题。利用OTB2013数据集测试所提出的算法, 测试得到所提出算法的整体成功率、精确度分别为0.618, 0.861, 在目标发生尺度变化、旋转和遮挡等情况下, 该算法可以准确、可靠地跟踪目标。

针对传统手工特征表达能力不足和滤波器模型存在误差累积的影响,提出一种融合多层卷积特征自适应更新的目标跟踪算法。该算法采用分层卷积神经网络提取图像特征,利用线性加权的方法融合多层卷积特征预测目标位置;利用多尺度下目标卷积特征确定目标最佳尺度;利用平均峰值相关能量评价目标响应的置信度,根据相邻两帧目标图像的帧差均值和位移评估目标的运动情况,根据预测位置可信度和目标图像外观变化,调整滤波器模型的学习率。在OTB-2013公开测试集上验证本算法性能,并与现有基于相关滤波的主流运动目标跟踪算法进行相比,实