本文针对目标跟踪应用, 提出了基于 Siamese-FC跟踪网络的改进卷积网络 Siamese-MF, 意在更进一步提升跟踪速度和准确性, 满足目标跟踪的工程应用需求。对于跟踪网络, 考虑速度和精度的权衡, 减少计算量, 增加卷积特征的感受野是改进跟踪网络的速度和精度的方向。在卷积网络结构上面进行改进结构创新, 改进主要集中为两点: 1) 引入特征融合, 丰富特征; 2) 引入空洞卷积, 减少计算量的同时增强感受野。 Siamese-MF算法实现了对于复杂场景目标的实时准确跟踪, 在公开数据集 OTB上测试速度达到平均 76 f/s, 跟踪成功率的均值达到 0.44, 而跟踪稳定性的均值达到 0.61, 实时性、准确性和稳定性均提升, 满足目标实时跟踪应用。

本文针对飞机目标，提出了基于多域网络(MDNet)的改进网络用于飞机跟踪的快速深度学习(FDLAT)跟踪网络，使用迁移学习弥补目标跟踪的小样本集缺陷。卷积层作为特征提取层，全连接层作为目标和背景的分类层，采用特定的飞机数据集来更新网络参数。训练完成之后，结合回归模型，采用简单的线性更新对飞机进行跟踪，算法实现了飞机旋转、相似目标、模糊目标、复杂环境、尺度变换、目标遮挡以及形态变换等复杂状态的鲁棒跟踪，速度达到平均20.36 f/s，在ILSVRC2015 飞机检测数据集上成功率均值达到0.592，基本满足飞机实时跟踪。

提出了一种适合于运动目标检测的块运动分析方法,用以补偿移动背景所带来的杂波信息,准确检测运动目标.在对原始图像进行滤波的基础上,选择合适的子块,通过块匹配,得到背景位移矢量;利用这些运动参数,在相邻帧之间进行运动补偿,达到分割运动目标的目的.该算法对背景的适应性能好.

提出一种适合于多目标检测的8邻域图像分割方法,用以获取目标特征量,准确分割图像.在对二值化图像扫描形成目标块的过程中,标记各个目标像素,记录目标的边界点,得出分割目标的面积、周长、质心坐标.利用这些信息,可以选择跟踪一个或多个目标.仿真结果证明了该方法实用可行.