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。

针对目标跟踪中的目标尺度变化、遮挡、光照变化、相似目标混淆等问题，本文提出多特征融合的协同相关跟踪算法。首先，本文用多种特征构建目标外观模型，提高目标模型的鲁棒性，增强跟踪的抗形变能力和抗光照变化能力。然后，利用定点优化策略，解决多模板滤波优化问题，获得最佳滤波参数，通过多模板相关滤波算法估计目标位置，利用改进的尺度池方法解决目标尺度变化问题。最后，利用目标置信度判别跟踪目标是否发生遮挡，当目标发生遮挡时，利用CUR滤波模块重新检测目标，解决遮挡情况下跟踪任务。本文利用OTB-2013数据集中的方法测试本文算法，实验表明本文算法的整体成功率和精确度为0.622和0.830，本文算法在目标发生尺度变化、遮挡、光照变化、相似目标混淆等问题情况下，能准确、可靠地跟踪目标，具有一定研究价值。

针对目标跟踪中出现的尺度变化、旋转和遮挡等问题, 提出了基于分层卷积特征的自适应目标跟踪算法。利用卷积神经网络提取分层卷积特征, 利用相关滤波算法获取卷积特征响应图, 并通过响应图的加权融合估计目标位置。利用一种边缘检测算法实现尺度自适应跟踪。利用峰旁比判断目标的置信度, 解决遮挡情况下的模板更新问题。利用OTB2013数据集测试所提出的算法, 测试得到所提出算法的整体成功率、精确度分别为0.618, 0.861, 在目标发生尺度变化、旋转和遮挡等情况下, 该算法可以准确、可靠地跟踪目标。

针对核相关滤波器(KCF)跟踪算法在目标跟踪中存在尺度变化、严重遮挡、相似目标干扰和出视野情况下跟踪失败等问题, 提出了一种基于KCF的长期目标跟踪算法。该算法在分类器学习中加入空间正则化, 利用基于样本区域空间位置信息的空间权重函数调节分类器系数, 使分类器学习到更多负样本和未破坏的正样本, 从而增强学习模型的判别力。然后, 在检测区域利用Newton方法完成迭代处理, 求取分类器最大响应位置及其目标尺度信息。最后, 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。采用OTB-2013评估基准50组视频序列验证了本文算法的有效性, 并与30种其他跟踪方法进行了对比。结果表明: 本文提出的算法跟踪精度为0.813, 成功率为0.629, 排名第一,相比传统KCF算法分别提高了9.86%和22.3%。在目标发生显著尺度变化、严重遮挡、相似目标干扰和出视野等复杂情况下, 本文方法均具有较强的鲁棒性。