在人类和动物视觉领域中,目标跟踪是学习视觉概念的固有能力,同时它也是计算机视觉中一项重要任务。目标跟踪,尤其是长期跟踪,是一个难题,它既需要处理跟踪目标的变化,包括外观变化、结构变化、尺度变化、遮挡等,还需要解决场景的复杂性,比如摄像机运动、背景杂波、分心器、光照变化、帧裁剪等。在与或图跟踪器AOGTracker(And-Or Graph Tracker)中,为了解决跟踪过程中跟踪目标发生变化这一问题,采用一个分层组合与或图AOG(And-Or Graph)表示来同时进行视频序列中未知对象的跟踪、学习和解析任务,并将检测与跟踪相结合,用来进行更为精确的跟踪。AOGTracker的跟踪性能优于大部分已有的目标跟踪算法,但是它也存在一些问题,比如当感兴趣区域ROI(Region Of Interest)中出现相似目标时容易发生跟踪错误、跟踪目标发生大位移时跟踪不准确、跟踪速度慢等。针对AOGTracker存在的问题,本文提出了一种基于AOG与Flow Net2.0网络的目标跟踪算法。本文的工作主要从以下几个方面展开:(1)在本文中,为了提高跟踪算法的精确度,将利用Flow Net2.0网络代替卢卡斯-卡那得LK(Lucas–Kanade)光流法来进行目标跟踪。利用光流法进行目标跟踪,当跟踪物体位移较小时,LK光流法与Flow Net2.0网络的跟踪效果都比较好,但是当跟踪物体发生大位移运动时,Flow Net2.0网络的跟踪效果要优于LK光流法,因此用Flow Net2.0网络代替LK光流法,可以提高跟踪算法在大位移方面的精确度。(2)在AOG与Flow Net2.0网络的基础上,制定合适的跟踪选取规则。从光流预测结果与AOG检测结果中选取当前帧跟踪结果的过程中,不同的选取规则会产生不同的跟踪效果。选取规则的本质是在不同的情况下选择不同的候选目标作为跟踪结果,当出现相似目标时,AOGTracker的选取规则易发生跟踪错误,因此本文中重新制定了跟踪选取规则,使得跟踪效果较好。(3)提高跟踪算法的跟踪速度。重新学习对象AOG的过程,对跟踪速度有较大影响,因此选择重新学习对象AOG的时机很重要。在AOGTracker中将重新学习对象AOG的时刻称为关键时刻,Zhu选择当跟踪无效的帧累加到一定数量后,重新学习对象AOG,这样会造成不必要的重新学习。因此在本文中,对于当前的对象AOG,当连续多帧跟踪无效后,会重新学习对象AOG,减少不必要的重新学习过程,加快跟踪速度。通过对基于AOG与Flow Net2.0网络的目标跟踪算法进行实验仿真,结果表明,本文算法在跟踪目标发生大位移、ROI中出现相似目标时都能进行较为准确的跟踪;在OTB-2013数据集上,相对于AOGTracker,本文算法的跟踪成功率提高了2.8%,跟踪精确度提高了3.1%,跟踪速度提高了3.2%。另外将本文算法与核相关滤波算法KCF(Kernel Correlation Filter)、全卷积暹罗网络Siamese-FC(Fully-Convolutional Siamese Networks)以及检测学习跟踪TLD(Tracking-Learning-Detection)算法进行了性能比较,本文算法的跟踪成功率与精确度明显优于其它跟踪算法,且跟踪速度具有一定的竞争力。