目标跟踪技术是计算机视觉领域重要研究方向之一,广泛应用于交通、监控、军事等领域,有着极其重要的实用价值和研究意义。目标跟踪任务是指根据初始视频帧中目标的位置,预测后续帧中目标的位置坐标,并使用边界框对其进行标记。近年来随着科学技术的进步,目标跟踪技术得到长足的发展,涌现了一大批优秀的目标跟踪算法,但目标跟踪领域中运动模糊、低分辨率等难点仍未被很好地解决,因此复杂场景下实现对目标的鲁棒实时性跟踪仍是一个具有挑战性的课题。现有的目标跟踪算法主要分为传统目标跟踪算法和深度学习目标跟踪算法,传统目标跟踪虽然在特定简单场景下表现优异,但在复杂场景下跟踪效果较差,无法满足实际应用需求。深度学习目标跟踪算法能够很好地应对复杂场景下各种干扰因素,但由于其所采用的特征提取网络结构复杂,计算量大,导致其实时性较差。鉴于此,本文对基于深度学习的目标跟踪算法进行深入研究,权衡准确性和实时性,选取合适的跟踪网络框架,并对其进行相关改进达到鲁棒实时跟踪的要求。本文主要研究内容如下:1、本文对目标跟踪的基本定义、跟踪流程以及跟踪过程的相关难点进行了研究,对目标跟踪基础框架的每个模块在目标跟踪的作用以及涉及的关键技术进行了分析和介绍。研究了前馈神经网络和卷积神经网络的结构特点和工作原理,为后续章节的研究奠定了理论基础。2、本文通过对比分析现有基于深度学习的目标跟踪算法,并根据实际应用需求权衡跟踪算法的准确性和实时性,最终选取基于全卷积孪生网络的目标跟踪算法(SiamFC)作为基本跟踪网络框架,且对SiamFC采用浅层的AlexNet作为特征提取网络,导致提取目标特征表征能力较差的问题进行分析。针对运动模糊和低分辨率情况,SiamFC无法有效提取目标特征,模型发生漂移,导致跟踪失败的问题,本文对原SiamFC进行改进,提出了基于条件对抗生成孪生网络的目标跟踪算法(CAGNSiamFC)。通过在SiamFC跟踪网络中嵌入条件对抗生成(CGAN)去模糊网络模块,对输入的运动模糊和低分辨率视频帧进行去模糊,使特征提取网络能够有效的提取目标特征,提高跟踪网络的动态调节能力,增强跟踪算法的鲁棒性,实现运动模糊和低分辨率情况下对目标的跟踪。3、为了减少训练时间和降低训练难度,本文采用迁移学习的思想,使用分离训练线上组合方式对CGANSiamFC进行训练和测试。训练时分别采用不同的训练数据集对SiamFC跟踪网络和CGAN去模糊网络模块进行优化训练,测试时将训练完成的SiamFC跟踪网络和CGAN去模糊网络模块进行嵌入组合。最后使用OTB100测试集评估本文所提出的CGANSiamFC,且将评估结果与原SiamFC以及其它跟踪算法对比。实验结果表明,本文所提算法与原SiamFC相比能够准确的应对运动模糊和低分辨率难题,明显的提高跟踪精度。