目前大多数热红外(TIR)目标跟踪算法都是基于相关滤波或者使用彩色跟踪器的模型进行特征提取。然而,两者都存在适用于彩色目标跟踪却对红外目标特征不敏感的缺陷,导致无法良好地应用到红外目标跟踪。为此,提出一种基于全局感知的孪生神经网络的红外目标跟踪器。将孪生神经网络的后三层特征进行融合优化,得到新的特征,同时加入了由空间转换网络和通道注意力组成的空间感知模块,以得到全局范围内的有效信息,通过引入自注意力机制,使算法更加专注于提取目标的判别信息,最后对结果进行响应融合得到最终的响应图。在PTB-TIR红外目标跟踪评估基准上的实验结果表明,本文算法能够适应多样的红外环境,同时能够保持良好的跟踪速度(20.2 frame/s),实现对红外目标有效且稳定的实时跟踪。

针对全卷积孪生网络目标跟踪算法(Siamfc)在严重遮挡、旋转、光照变化、尺度变化等情况下容易出现跟踪失败的问题,提出了一种融合扰动感知模型的孪生神经网络目标跟踪算法。将孪生神经网络提取到的低层结构特征与高层语义特征进行有效融合,以提高特征的表征能力;利用模板自适应策略在线更新模板,以提高算法在遮挡和旋转等情况下跟踪的精确度。与此同时,将基于颜色直方图特征的扰动感知模型引入到算法中,通过加权融合的方式获得目标响应得分图,以此估计出目标的位置,并利用相邻帧尺度自适应策略估计出目标最佳尺度。为验证本文算法的效果,利用公开数据集测试所提算法性能,并与多种跟踪方法进行对比。实验结果表明:在2015目标跟踪标准测试数据集下本文所提算法总体跟踪精确度为0.945,总体成功率为0.929,相比Siamfc算法分别提高了2.9%和2.8%,在无人机航拍测试数据集中本文所提算法也具备较高的精确度与成功率,获得的跟踪效果良好。

针对红外目标分辨率低、对比度差、信噪比低、纹理信息缺失等特点, 提出一种融合多特征的红外目标跟踪算法。利用背景感知相关滤波器生成大量真实样本, 对红外目标提取HOG特征和运动特征, 通过线性求和方式进行特征融合, 更好地发挥各自特征优势, 实现对红外目标运动的精准跟踪。另外, 提出使用空间加权窗代替传统相关滤波器中的余弦窗, 可以更加突出目标的中心位置, 同时也能很好地抑制边缘效应。采用VOT-TIR 2016数据集对算法性能进行评估, 同时和15种流行算法进行比较。结果表明, 本文算法在精确度和成功率上的得分分别为0.751和0.697, 在精确度和成功率指标方面分别提高了8.8%和15.4%, 具有一定的研究价值。

提出了一个基于形变多样相似性的空间正则化相关滤波跟踪算法。在核相关滤波(KCF)跟踪算法基础上引入了空间正则化权重和子网格检测方法,利用形变多样相似性匹配算法构建了目标重检测模块,利用主成分分析(PCA)算法和k维树一致近似最近邻(TreeCANN)算法解决了匹配算法中的最近邻搜索问题;通过自适应模板更新策略,解决了遮挡情况下模板误更新问题。实验结果表明,所提算法的精确度得分为0.825,成功率得分为0.625,相比KCF算法分别提升了18.5%和31.0%。所提算法能较好地解决目标尺度变化、遮挡、快速运动、旋转和背景杂乱情况下的跟踪问题,具有广泛的应用前景。

针对目标跟踪中的遮挡、旋转、快速运动、形变等问题，本文提出基于卷积神经网络的响应自适应跟踪算法。首先，通过卷积神经网络提取目标的多层卷积特征，利用粒子滤波算法获取目标的多模板响应图，自适应学习目标的期望响应; 然后通过构造目标函数的对偶形式解决多模板联合优化问题，计算多模板情况下每层卷积特征的最优滤波参数; 最后通过相关滤波算法计算多层滤波响应，通过响应加权融合的方式计算最终响应图，以此估计目标位置。本文利用OTB-2013数据集中的方法测试我们提出的算法，实验表明该算法的整体成功率和精确度为0.884和0.915。本文算法在距离准确度、成功率和平均跟踪误差方面均优于传统的相关滤波跟踪算法，有一定研究价值。

针对空间正则化判别相关滤波跟踪算法(SRDCF)在目标发生遮挡、尺度变化和形变情况下的跟踪失败问题，提出利用最佳伙伴相似性的改进SRDCF目标跟踪算法。首先，以SRDCF算法为基础，利用双层搜索策略解决目标跟踪中的目标定位问题和尺度估计问题；然后，利用一种新颖的鲁棒模板匹配技术，通过融合空间权重、相关滤波得分和最佳伙伴相似性得分来估计候选目标位置，解决遮挡情况下的目标重定位问题；最后，采用自适应模板更新策略解决遮挡情况下模板漂移问题。本文采用OTB-2013数据集评估本文算法的性能，同时与34种流行算法进行比较，结果表明本文算法的精确度得分和成功率得分分别为0.853和0.648，相比传统的SRDCF算法分别提高1.79%和3.51%。本文算法能很好地解决目标遮挡、尺度变化和形变情况下的目标跟踪问题，具有一定研究价值。

充分利用红外图像信息建立有效的观测模型是实现稳健红外目标跟踪的基础。影响红外目标跟踪结果的因素除可见光目标跟踪也会面临的干扰因素之外,还有诸如边缘和纹理信息缺失、信噪比低和背景噪声影响等特有因素。提出基于稀疏编码直方图(HSC)特征和扰动感知模型(DAM)的红外目标跟踪方法,使用K-奇异值分解算法得到过完备字典,利用该字典计算得到每个像素点的稀疏编码,并组成HSC对目标进行表达,同时通过引入DAM增强算法抗背景干扰能力。该方法充分利用了红外图像中运动目标的结构特性,能够有效去除背景干扰。与其他跟踪器相比,在VOT-TIR2015数据集上,该方法的精确度和成功率指标分别获得3.8%和4.4%的提升,具有较高的研究价值和实用价值。

针对跟踪过程中出现的遮挡、尺度变化、光照变化等问题, 文章基于多模板提出深度核相关滤波算法。首先, 多模板算法选取最佳滤波参数优化分类器训练样本的能力, 多特征算法利用多种特征优化目标外观模型提高了跟踪过程的鲁棒性; 其次, 利用深度图信息计算跟踪过程中目标重叠率, 判断目标的遮挡情况, 遮挡时重新定义目标搜索区域, 并判断是否重新跟踪目标, 降低遮挡情况下的算法漂移问题; 最后, 根据目标遮挡情况判断是否更新分类器参数和目标外观模型, 提高模板更新的可靠性。利用Princeton数据库测试算法, 成功率和精度分别达到85.1和98.6, 比第二名算法分别提高了7.04%和4.67%。实验从成功率、精确度方面说明基于多模板的深度核相关滤波算法优于传统算法, 有一定研究价值。

针对经典视觉背景提取算法长时间存在鬼影、动态背景导致的高频噪声以及背景模型误更新等问题,提出一种改进的视觉背景提取算法。该算法将原始图像分割为若干个超像素区域，在超像素分割区域，对视觉背景提取算法检测结果进行像素点再分类，在目标检测的初始阶段实现鬼影信息的准确检测，并更新鬼影区域像素点的背景模型，从根本上解决了全局范围内鬼影检测的难题。根据运动目标的超像素对前景目标内的空洞进行快速纠正，实现前景目标的小范围填补，同时完成对背景超像素内高频噪声的检测和滤波，并增强检测结果的稳健性。利用数据集进行的测试实验结果表明，与传统算法相比较，该算法的精确率和识别率等指标均显著提高。

针对空间正则化相关滤波(SRDCF)跟踪算法在目标跟踪中旋转变化、超出视野和严重遮挡情况下存在跟踪失败的问题, 提出了一种基于自适应卷积特征的目标跟踪算法。对VGG-Net模型中conv3-4层卷积特征进行主成分分析, 利用自适应降维技术将conv3-4层特征维数由256维降至130维。在检测区域求取分类器最大响应位置及其目标尺度信息, 并对最大响应位置的目标进行置信度比较, 训练在线支持向量机(SVM)分类器, 以便在跟踪失败的情况下, 重新检测到目标而实现长期跟踪。计算跟踪位置的峰旁比, 选取可靠跟踪结果, 更新模型。采用OTB-2015评估基准的100组视频序列进行测试, 并与38种跟踪方法进行对比, 验证了本文算法的有效性。实验结果表明：本文算法跟踪精度为0.804, 成功率为0.607, 排名第一, 与SRDCF算法相比, 两者分别提高了1.9%和1.5%。针对目标发生旋转变化、超出视野和严重遮挡等复杂情况, 本文算法均具有较强的稳健性。