標跟蹤是計算機視覺(jué)領(lǐng)域一個(gè)重要的研究熱點(diǎn)，應用范圍廣，包括無(wú)人機監察、無(wú)人駕駛、行人與車(chē)輛監控等。目標跟蹤從上世紀50年代初起源至今，盡管已有大量研究成果，但對于復雜場(chǎng)景的實(shí)時(shí)目標跟蹤依舊難以實(shí)現。目標跟蹤過(guò)程中的目標變形、光照變化、尺度變化、快速運動(dòng)與模糊、遮擋等依然是穩定跟蹤目標的艱巨挑戰。

　　目前，主流的目標跟蹤算法主要有傳統目標跟蹤方法和基于深度學(xué)習的目標跟蹤算法。傳統目標跟蹤方法在跟蹤實(shí)時(shí)性上表現較好，但是由于特征提取能力受限，導致在不同應用環(huán)境下準確性和魯棒性受限?；谏疃葘W(xué)習的目標跟蹤算法特征提取能力很強，但其計算復雜實(shí)時(shí)性難以保證。

　　光電所光電探測與信號處理研究室研究員等帶領(lǐng)的研究團隊針對復雜場(chǎng)景飛機目標實(shí)時(shí)跟蹤的實(shí)際應用，對Multi-Domain Networks深入研究，基于其在跟蹤準確性上的優(yōu)異表現，提出了簡(jiǎn)約跟蹤框架Fast Deep learning Tracking Networks(FDLAT Net)，通過(guò)深度網(wǎng)絡(luò )的多層特征增強了目標特征及表示有效克服了目標姿態(tài)、復雜場(chǎng)景干擾等問(wèn)題。

　　研究團隊進(jìn)一步通過(guò)全連接層與回歸層的優(yōu)化，在有效地提升了目標跟蹤的處理速度的同時(shí)也很好地提升了目標識別的準確性和目標跟蹤的精度，使算法對姿態(tài)變化、場(chǎng)景干擾、尺度變化等情形下的目標都實(shí)現了穩定跟蹤，并達到實(shí)時(shí)跟蹤的要求。