视觉跟踪作为计算机视觉领域中的基础研究方向,在人机交互、智能监控和自动驾驶等方面拥有较好的应用前景。近年来,随着基于孪生网络跟踪方法的提出,将采用深度特征表示的目标模型广泛应用于跟踪框架中。现有的跟踪算法往往采用固定的目标模板或局部更新的目标模板(即针对跟踪目标第一帧或前一帧的目标信息进行模板更新)。但是,一方面由于目标本身存在不确定性(如,遮挡、形变、光照变化等);另一方面跟踪应当是一个连续的决策过程。因此,上述方案不能很好地解决跟踪研究中的目标模板更新问题。本文借鉴人类基本记忆模型研究,以孪生网络跟踪算法为基础框架,提出一种基于全局模式的自适应目标模板更新机制,一定程度的缓解了目标本身的不确定性带来的影响,同时为连续的跟踪决策提供了支撑。具体工作内容如下:(1)提出了基于全局模式的自适应目标模型更新机制。为了提高跟踪算法在复杂场景下的鲁棒性,本文以孪生网络跟踪框架为基础,通过引入基于全局的自适应目标模板更新模块,并在人类基本记忆模型的指导下,使用目标的全局信息进行更新。并且针对自适应目标模板的动态更新问题,本文通过设立由正则化线性回归描述的目标外观变化因子来具体地引导目标模板的更新,而正则化线性回归的采用,可以使计算在频域中进行,从而一定程度地提升了计算效率。(2)为了验证上述方法的有效性,本文提出了多种具体的更新方式,用于引导目标模型的全局更新,包括常函数、一次函数、二次函数、分段函数以及指数衰减。并且还进行了上述方式的全局尺度敏感性分析,通过比较几种更新模式下对不同跟踪挑战的准确率,分析了不同更新方式下的自适应更新目标模型的全局尺度敏感性。最后,将本文提出的算法与领先的基准算法在OTB-50数据集上进行实验对比。结果表明,基于全局模式的自适应目标模板更新算法整体性能提升了0.7%,并且在复杂跟踪场景挑战中,能够实现较好的跟踪效果。