针对复杂跟踪条件下目标的稳健跟踪和精确尺度估计问题，提出了一种基于多层卷积特征融合的目标尺度自适应稳健跟踪算法。算法首先利用VGG-Net-19深层卷积网络架构提取目标候选区域的多层卷积特征，通过相关滤波算法构建二维定位滤波器，得到多层卷积特征并进行加权融合，从而确定目标的中心位置；然后通过对目标区域进行多尺度采样，提取其梯度方向直方图特征构建一维尺度相关滤波器，确定目标的最佳尺度。实验结果表明，与6种当前主流跟踪算法相比，该算法取得了最好的跟踪成功率与精度，同时在跟踪过程中较好地实现了对目标快

提出一种基于高置信度模型更新策略的多相关滤波器协同跟踪算法。利用卷积网络结构VGG-Net-19提取目标周围区域的多层卷积特征,构造深度滤波器,以自适应的特征融合策略实现目标初定位;建立尺度滤波器以检测目标的尺寸变化;利用主次峰坡度比作为跟踪置信度指标,设计一种高置信度下的模型更新策略;当跟踪置信度不足时,通过EdgeBox方法提取目标候选区域,利用设计的重检测滤波器,确定目标的最终位置。在标准数据集OTB-100和TC-128上的实验结果表明,本文算法取得了较高的跟踪精度,在目标发生遮挡、光线

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