在复杂动态场景中，目标跟踪是视觉感知系统中的核心问题之一。传统基于帧相机的目标跟踪方法依赖固定帧率采样与积分成像机制，易受到运动模糊、遮挡干扰以及光照剧烈变化的影响，难以在高速运动或高动态范围条件下保持稳定性能。同时，帧式数据存在时间冗余与信息延迟的问题，不利于实时性要求较高的应用场景。相比之下，事件相机采用像素级异步触发机制，仅在亮度发生变化时输出事件流，具备微秒级时间分辨率与高动态范围特性，为目标的连续时空建模提供了全新的数据表达形式。因此，如何充分挖掘事件数据的时空稀疏结构，并与传统图像信息进行有效融合，成为提升目标跟踪鲁棒性与实时性的关键问题。本课题要求完成基于事件相机的目标跟踪相关文献调研并形成综述报告，重点研究极端光照或高速场景下的目标跟踪方法，探索事件与图像融合的跟踪框架设计，对 ViPT[1]或 SDSTrack[2]算法进行复现与训练测试，并结合评价指标（如精度、成功率及鲁棒性）对跟踪性能进行系统分析。
VisEvent[4]
COESOT[5]
[1] Zhu J, Lai S, Chen X, et al. Visual prompt multi-modal tracking. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition 2023: 9516-9526. [2] Hou X, Xing J, Qian Y, et al. Sdstrack: Self-distillation symmetric adapter learning for multi-modal visual object tracking. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition 2024: 26551-26561. [3] Sun C., Zhang J., Wang Y., et al. Exploring Historical Information for RGBE Visual Tracking with Mamba. IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2025: 6500-6509. [4] Wang X, Li J, Zhu L, et al. Visevent: Reliable object tracking via collaboration of frame and event flows. IEEE transactions on cybernetics. 2023, 54(3):1997-2010. [5] Tang C, Wang X, Huang J, et al. Revisiting color-event based tracking: A unified network, dataset, and metric. Pattern Recognition. 2025, 7:112718.
Yi Chang