为有效提升目标跟踪的精确度和实时性，设计了基于多模板匹配的双模型自适应相关滤波跟踪算法。对多模板匹配模型与核相关滤波跟踪模型参数进行初始化处理：多模板匹配模型选取得分函数作为模板与候选样本间匹配准则，通过候选样本得分获取最佳目标，更新多模板后，通过形变多样相似性实现多模板匹配；核相关滤波跟踪模型利用所采集目标样本数据建立循环矩阵，通过训练核化岭回归分类器获取核相关滤波器，并获取响应置信图，再利用响应置信图获取下一帧图像目标位置。通过自适应融合策略获取两个模型所估计目标位置，再采用金字塔尺度估计策略估计目标尺度变化，通过不断更新各模型参数实现目标精准跟踪。实验结果表明，在目标受遮挡或旋转、光照变化等复杂环境下，该算法的中心跟踪误差均低于 15 dpi，平均跟踪精确度均高于 98%，且目标定位时间低于 100 ms，说明该算法在跟踪精确度和实时性上具有明显的应用优势。

针对最佳伙伴相似性(BBS)图像匹配算法计算复杂度高、目标定位不准确等问题,提出了一种改进的图像匹配算法。根据模板图像的尺寸自适应选择图像分块大小,以减少匹配点集中点的数目,从而减小BBS算法的运算量;根据子块的灰度值重新排列子块,在此基础上得到BBS的置信度图,从置信度图中筛选出目标的可能位置,并重新计算目标可能位置的真实BBS分数;用目标可能位置的真实BBS分数替换通过双线性插值得到的BBS分数,将目标可能位置中BBS分数最高的位置作为匹配结果。实验结果表明,该算法可降低BBS算法的运行时间,同时提高目标定位的准确度。

为了解决原始最好兄弟相似性(BBS)算法在剧烈非刚体变形、部分遮挡以及非均匀光照等复杂环境下匹配失败的问题, 提出了一种更加稳健的模板匹配算法。将曼哈顿距离替代欧氏距离作为两个图像块之间的相似性度量, 在此基础上, 滑动窗口逐像素匹配得到新的由BBS响应值构成的置信度图, 对该置信度图进行阈值筛选, 并对剔除较小值后的置信度图滤波处理后, 将最亮连通区域的中心位置定位为匹配结果。实验与分析结果表明, 该算法可以有效地解决在弹性变形、相似区域干扰、部分遮挡与剧烈光照变化等变换与干扰存在情况下的图像匹配定位问题。

针对复杂背景下红外图像中低信噪比弱小目标实时检测问题，提出一种基于相关滤波器的红外弱小目标检测算法。该算法将红外目标检测转化为模式分类问题，在离线训练阶段，利用二维高斯模型构造红外小目标训练集，在此基础上训练得到对目标背景具有区分能力的相关滤波器，在线检测阶段，利用滤波器对图像分块进行滤波操作，目标和背景的滤波响应有着显著的差异，最后生成整幅图像的滤波响应置信图以此来判断图像中是否包含目标及其具体位置。在单帧单目标图像、序列图像多目标检测实验结果表明，与经典检测算法相比，所提方法不仅具有更高检测性能，有效降低了虚警概率，而且具有较好的实时性，适用于复杂背景条件下弱小目标的实时检测。

针对目标跟踪技术中出现的目标遮挡、背景干扰等问题，引入超像素的概念，提出了基于超像素的目标跟踪算法。该方法首先利用像素点的颜色特征及局部熵的纹理特征通过简单线性迭代聚类法 (SLIC)将目标及周围区域分割成超像素。然后由训练的外观模型给每个像素点赋予置信值，建立以超像素为单位的置信图，通过基于超像素分割的外观模型的不断更新使得跟踪过程中能够适应目标和背景的变化。最后根据像素点的置信图找到目标的位置。实验结果表明，基于超像素的目标跟踪算法能够在目标遮挡或背景干扰等情况下有效地找到目标的位置。

目标模型更新中存在的模型漂移问题,是影响视频跟踪结果的一个重要因素。针对这一难题,提出了一种新的基于前景分割的目标跟踪算法。算法通过引入条件随机场(CRF)模型对跟踪区域和非跟踪区域的时空关系进行建模,实现对图像序列中像素点的标记,标记为跟踪目标或背景,并使用在线学习方法,根据场景的变化调整CRF模型的参数。跟踪过程中,通过对CRF模型的求解,得到最优的标记场和目标像素的置信图像;利用置信图像,结合目标模型的相似性度量定位整个目标;根据目标区域内的标记结果,使用一种选择性采样的方式更新目标模型,从而解决更新中的漂移问题。通过在多个典型的复杂场景中进行实验,验证了该算法的有效性。