目标跟踪是计算机视觉重要的研究方向之一,在航天、监控、生物医学等多种领域有着广泛应用。目标跟踪任务旨在实现对含有光照变化、遮挡等挑战的视频中指定目标进行持续地定位和自适应标注形状。本文通过分析目标跟踪算法的研究现状,针对如何提升粒子滤波跟踪算法的精确度和如何对算法进行加速两个问题展开了深入研究。粒子滤波跟踪算法的实质是利用跟踪器对每个采样粒子依次进行前景或背景的判断,因此跟踪器的判决能力是决定算法跟踪性能的重要因素。本文提出了基于深度互学习的跟踪算法,可以提高粒子滤波跟踪器对目标特征的提取能力和判别能力。首先,采用注意力机制来对采样粒子进行约束,通过在特征图后添加注意力机制层,对干扰特征进行抑制,从而提升跟踪器对目标特征的提取能力,解决跟踪器在特征提取时过多关注背景和相似物体等干扰特征而忽略目标本身特征的问题。其次,采用深度互学习方法来提升跟踪器的泛化能力,通过在两个初始化参数不同的网络中引入Kullback-Leibler(KL)损失来改变网络的概率输出分布,将两个网络联合训练提升网络的泛化能力,同时利用两个网络学得的判别信息不同进行互补,提升网络对目标特征的判别能力。以上两种方法共同使得粒子滤波跟踪器的跟踪精度得到显著提升。为了解决粒子滤波跟踪算法计算成本过高的问题,本文提出了基于感兴趣区域(ROI)对齐采样的目标跟踪算法,提升了粒子滤波跟踪器的速度。通过引入感兴趣区域(ROI)对齐采样策略,将图片层采样变为特征层采样,将原有的对多个采样粒子迭代依次进行判断转换为一次性对所有粒子判断的方式,节省了大量的计算资源和时间,从而将跟踪器的速度提升至每秒处理21帧。同时,采用逐层知识蒸馏训练方法保证加速后跟踪器的准确性,把性能优异的跟踪器作为教师网络,引入均方误差逐层进行指导加速后的跟踪器,使加速后跟踪器对目标特征的判别能力增强至逼近教师网络,优化了加速后粒子滤波跟踪器的整体性能。最后,在OTB2015和VOT2018基准数据库上的对比实验结果表明,本文所提出方法的各部分对最终的跟踪效果均有一定贡献,共同提升了粒子滤波跟踪算法的精度和速度。另外,本文算法与其他算法进行比较,精确度达到0.913,处于先进水平。