目的 目标跟踪是计算机视觉领域的重要组成部分。近年来，基于相关滤波和深度学习的目标跟踪算法层出不穷，本文拟对经典的若干目标跟踪算法进行阐述与分析。方法 首先，对基于相关滤波跟踪算法的基础理论进行介绍，针对相关滤波算法在特征改进类、尺度改进类、消除边界效应类、图像分块类与目标响应自适应类方面进行总结;接下来，从3个方面对基于深度学习的目标跟踪算法进行阐述与分析:目标分类、结构化回归、孪生网络，并对有代表性的跟踪算法的优势与缺陷进行较深层次的解读。结果 通过列举跟踪算法在相关滤波阶段、深度学习阶段针对不同的改进机制的改进算法，总结各阶段算法的优缺点。对目标跟踪算法的最新进展进行阐述，最终对目标跟踪算法的未来发展方向进行总结。结论 基于相关滤波的目标算法在实时性方面表现优秀，但对于复杂背景干扰、相似物遮挡等情况仍然需要优化。深层的卷积特征对于目标有强大的表示力，通过使相关滤波算法与深度学习结合，大幅度提升了算法表现力。基于深度学习的跟踪算法则更侧重于跟踪的性能，大多无法满足实时性。孪生神经网络的使用对于基于深度学习类目标跟踪算法产生了很大的推动，兼顾了算法的性能和实时性。
NETL
NSTL
万方数据
维普
