随着移动互联网的不断发展以及智能终端的快速普及，图像和视频数据呈现出爆炸式的增长。面向海量的视频数据，准确高效地进行语义解析以提取人们感兴趣的信息具有重要的现实意义。视觉目标跟踪通过对视频序列中感兴趣的目标物体进行定位，能够为高级视频分析任务提供必要的基础信息。因此，面向高精度和高效率的视觉目标跟踪方法的研究具有重要的学术意义和应用价值。

本文着重研究近年来在定位精度和运行速度上取得了较好平衡的两类视觉目标跟踪方法：基于相关滤波的方法和基于全卷积孪生网络的方法。由于这两类方法中的跟踪器模型都以相关运算的方式对样本进行评估，因此本文统称它们为基于相关模型的视觉目标跟踪方法。

基于相关滤波的方法通过在线训练判别式模型以区分目标物体及其周围背景。基于全卷积孪生网络的方法通过离线训练相似性度量卷积神经网络以在线执行相似性匹配。尽管它们取得了较高的性能，但在实际复杂多变的目标跟踪场景中仍然存在一些问题。一方面，由于定位精度受边界效应影响，基于相关滤波的目标跟踪方法难以在目标物体发生剧烈运动时进行鲁棒的定位。虽然当前已有一些方法通过缓解边界效应提升跟踪器的定位精度，但由于跟踪性能受建模方法的限制，它们难以同时实现高精度和高效率的目标跟踪。另一方面，虽然基于全卷积孪生网络的目标跟踪方法不受边界效应的影响，但由于缺少目标模板的在线更新，这类方法对目标物体的显著形变鲁棒性较差。针对上述问题，本文以无边界效应的相关模型为基础，通过设计鲁棒和高效的建模方法以及特征学习方法，一方面在消除基于相关滤波的目标跟踪方法的边界效应的同时，进一步提升跟踪器的定位精度和运行速度，另一方面提升基于全卷积孪生网络的目标跟踪方法对目标物体显著形变的鲁棒性。本文的主要研究成果和贡献归纳如下：

1.针对基于相关滤波的目标跟踪方法无法在缓解边界效应的同时利用核技巧进一步提升定位精度的问题，提出了一种基于高斯过程回归的目标跟踪方法。通过将高斯过程回归引入到基于在线判别式模型训练的目标跟踪方法中，对稠密采样的真实样本进行建模，从而使跟踪器不但不受边界效应的影响，而且可以利用核技巧提升定位精度。进一步，通过设计高效的在线模型更新方法，实现在视频序列中对目标物体精确和鲁棒的定位。在公开数据集上的实验结果表明，所提出的方法在手工特征下取得了同时期领先的跟踪精度。此外，提出了一种基于高斯过程回归的目标尺度估计方法。通过利用高斯过程回归在尺度空间对目标物体进行建模，实现了准确高效的目标尺度估计。

2.针对基于相关滤波的目标跟踪方法无法在缓解边界效应的同时高效地利用高维的卷积神经网络特征的问题，提出了一种无边界效应的快速核相关滤波方法。通过使用核岭回归模型对稠密采样的真实样本进行建模，得到无边界效应的核相关滤波方法。进一步，通过设计一种“建表-查表”方法，显著减少无边界效应的核相关滤波方法中矩阵构建过程中的冗余计算，从而加速核矩阵的构建以及滤波器模型的训练。同时期同类方法中滤波器模型训练的时间复杂度是特征通道数的二次增长函数，而所提出方法的时间复杂度是特征通道数的线性增长函数。因此，所提出的跟踪器既不受边界效应的影响，又可以高效地利用高维的卷积神经网络特征，最终同时获得了高的定位精度和实时的运行速度。

3.具有弱边界效应（或无边界效应）的相关滤波跟踪器普遍使用为图像分类任务训练的卷积神经网络提取特征。然而，由于目标跟踪任务和图像分类任务间存在明显的差异，上述特征空间对目标跟踪任务并不是最优的。针对这一问题，提出了一种基于特征空间学习的无边界效应相关滤波方法。通过将具有可微闭式解的岭回归模型求解器整合到卷积神经网络的离线训练中，利用大量的离线目标跟踪数据驱动卷积神经网络学习更适合基于无边界效应相关滤波的目标跟踪方法的特征空间。在在线跟踪中，用所学习的特征空间替代此前普遍使用的基于图像分类任务训练的特征空间，从特征表达上提升跟踪器的鲁棒性，进而提升定位精度。实验结果表明，所提出的方法在当前所有主流的目标跟踪数据集上都取得了领先的定位精度和实时的运行速度。

4.针对基于全卷积孪生网络的目标跟踪方法对目标物体的显著形变鲁棒性较差的问题，提出了一种基于可变形交叉相关的目标跟踪方法。通过将可变形交叉相关操作以元学习的方式引入到基于全卷积孪生网络的目标跟踪方法的模板匹配过程中，实现在线自适应的可变形模板匹配，从而提升跟踪器对目标物体显著形变的鲁棒性，在目标物体相对初始模板发生显著形变时也能得到较高的相似性匹配值。实现结果表明，所提出的方法不但具有实时的运行速度，而且相比同类方法，在目标物体发生显著形变时可以获得更鲁棒的定位。