目标跟踪一直以来都是计算机视觉领域的关键问题, 最近随着人工智能技术的飞速发展, 运动目标跟踪问题得到了越来越多的关注. 本文对主流目标跟踪算法进行了综述, 首先, 介绍了目标跟踪中常见的问题, 并由时间顺序对目标跟踪算法进行了分类: 早期的经典跟踪算法、基于核相关滤波的跟踪算法以及基于深度学习的跟踪算法. 接下来, 对每一类中经典的跟踪算法的原始版本和各种改进版本做了介绍、分析以及比较. 最后, 使用 OTB-2013 数据集对目标跟踪算法进行测试, 并对结果进行分析, 得出了以下结论: 1

针对传统跟踪算法在复杂场景下抗遮挡能力和鲁棒性差的问题,提出一种基于深度特征自适应融合的运动目标跟踪算法。考虑到深层特征强鲁棒性和浅层特征高精度的优点,首先利用稀疏自编码器构建深度稀疏特征以提取目标特征,再根据相邻帧之间的关联信息和跟踪置信度对深度特征和纹理信息进行自适应融合以提高跟踪器的性能。为了提高跟踪算法鲁棒性的同时抑制跟踪漂移,当置信度低于设定阈值时,引入改进SURF算法对目标进行定位。实验结果表明:与主流跟踪算法相比,所提算法的跟踪精度高,在遮挡场景中具有良好的鲁棒性,并且能够有效抑制