在电力系统中，变电站顺序控制已经成为了调度任务的主要方式。为解决变电站隔离开关顺控操作中确认时间长的问题，使用网络摄像机将隔离开关实时视频接入到顺控系统中，通过核相关滤波算法对隔离开关进行实时跟踪，并通过检测运动区域检测到隔离开关的形状变化，进行及时更新跟踪目标，使得核相关滤波对尺度和形状变化的目标具有稳定的跟踪能力。提出的方法能为变电站操作人员提供直观的隔离开关状态信息，将隔离开关顺控操作中的确认时间从近1 h减少到2 min，大幅提升了调度工作的效率。

城市道路普遍存在机动车、非机动车、行人的人车混行路段, 车辆目标的准确识别与统计成为视频方法检测混合交通流量的关键问题。本文提出了基于深度学习YOLO(You Only Look Once)的车流量检测算法。用YOLO v2检测道路上移动的目标, 对检出目标中的车辆目标进行识别与筛选, 设置感兴趣区域, 在车辆目标经过感兴趣区域时计数, 并用核相关滤波器跟踪车辆, 避免车辆重复计数; 在ARM上利用该算法实现了混合交通视频中的车流量检测。测试结果表明, 该方法中车辆的检测、跟踪、计数结果良好, 可应用于混合交通中的车流量检测。

针对传统核相关滤波器(KCF)无法处理严重遮挡及光照变化等问题,提出一种结合快速角点检测与双向光流法的长期KCF跟踪算法。首先利用KCF跟踪器在目标位置上提取融合方向梯度直方图特征、颜色属性特征和灰度特征的多通道特征,计算输出响应图并得到所跟踪目标的峰值旁瓣比(PSR),然后通过比较PSR与经验阈值来判断目标是否被遮挡;当目标出现遮挡时,在快速角点检测的角点基础上利用双向光流法重新检测下一帧目标位置,并采用一种新模板更新策略来应对严重遮挡。与其他算法进行对比实验,验证了本文算法对处理遮挡和光照变化具有高效性及稳健性。

为了克服核相关滤波(KCF)只根据目标外观模型追踪时准确性低的不足,融入运动模型,计算了检测目标框和预测目标框的交并比(IOU)。通过匈牙利算法,确定了目标间的最优关联。KCF和IOU模型都具有快速响应的特点,因此算法可满足在线处理数据的要求。在公开的2DMOT2015、MOT16数据集上进行实验,将所提方法与其他优秀方法相比,在保证30 frame/s以上处理速度的同时,追踪准确性提高10%以上。

为了实现对十字靶标的自动检测与跟踪, 建立了十字靶标检测跟踪模型。针对目标检测中运算量大、实时性差、目标跟踪需要人工标定视频初始帧的问题, 提出了一种基于可变形部件模型（DPM）和核相关滤波器（KCF）的十字靶标检测跟踪算法。首先, 提取十字样本集的梯度方向直方图（HOG）特征, 采用Latent SVM分类器训练特征集, 生成十字靶标物体类的DPM模型。然后, 通过滑动窗口搜索匹配方法遍历待检测图片。最后, 将检测到的结果作为跟踪算法的起始跟踪帧, 应用KCF算法快速跟踪目标。当跟踪目标丢失时, 暂时停止跟踪, 利用DPM模型重新检测定位目标再进行跟踪。实验结果表明: 采用DPM模型检测的平均帧率为1 fps, 结合DPM和KCF算法, 实时检测跟踪的平均帧率为40 fps。采用基于可变形部件模型（DPM）和核相关滤波器（KCF）的十字靶标检测跟踪算法, 实现了目标的自动检测与实时跟踪, 且检测速度明显高于传统算法, 并且在目标漂移或丢失后自动重新定位并继续跟踪, 完成十字靶标的长时间跟踪。

针对核相关滤波(KCF)跟踪算法没有遮挡检测机制以及学习率固定的问题,提出了一种结合正样本集的核相关滤波跟踪算法。通过计算正样本集与待测样本集的相似度来建立目标遮挡判断机制,提高了算法的抗遮挡能力。在模型更新方面,采用了多段学习率的参数更新方式,提高了目标模型的准确性。实验结果表明,该算法与KCF跟踪算法比较,跟踪精度有明显提升。

设计了一套由三轴直角坐标机器人、线激光传感器和工业计算机组成的焊缝跟踪系统。研究了该系统所涉及的测量原理、特征点测量方法和基于模糊自适应的控制方法。通过高斯核相关算法(KCF)在焊接过程中实时检测焊缝特征点, 并根据测量原理计算获得特征点相对于相机坐标系的三维坐标值。设计了一种自适应模糊控制器, 通过自适应模糊控制器计算坐标的偏差值和偏差变化率得到焊枪末端运动轨迹的控制量, 同时对模糊控制器的输入输出论域、模糊规则和隶属函数进行实时动态更新。实施了焊缝跟踪实验。结果显示: 采用最大焊接电流为350 A的惰性气体保护焊(MIG), 在强烈弧光和飞溅的干扰下, 该系统能实时跟踪焊接工件, 跟踪精度为0.325 3 mm, 传感器测量频率为20 Hz。焊接过程中焊枪末端运行平稳, 焊缝轨迹跟踪准确, 且抗干扰能力, 能满足焊接应用要求。

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。

针对核相关滤波算法(KCF)难以应对光照变化、目标完全遮挡等问题, 提出基于改进核相关滤波的运动目标跟踪算法。首先提出基于相位特征的高斯核相关算子, 增强算法对光照强度变化的适应能力, 然后融合Kalman滤波器形成预测-跟踪-校准的跟踪机制, 结合遮挡处理提高系统在目标被完全遮挡时跟踪的准确性。在模型更新方面, 将在线更新与离线更新相结合, 提出自适应更新的策略, 利用跟踪效果较好的历史模型建立备选模型, 替代跟踪效果较差的模型, 及时纠正模型偏移、特征丢失等问题。与原始的核相关滤波算法进行对比实验的结果表明, 改进算法适应光照强度变化的能力明显增强, 当目标被完全遮挡时也能保持较好的跟踪效果。

由于现存的大多数基于检测的跟踪器都没有解决尺度变化问题, 本文在传统的基于检测的目标跟踪框架下设计了一种尺度估计策略, 并给出了基于核相关滤波器的自适应尺度目标跟踪算法。该算法利用核函数对正则化最小二乘分类器求解获得核相关滤波器, 通过对核相关滤波器的在线学习完成目标位置和尺度的检测, 并在线更新核相关滤波器。为了验证本文算法的有效性, 选取了10组场景复杂的视频序列进行测试,并与其它5种优秀跟踪方法进行了对比。结果表明,本文提出的方法比上述5种优秀跟踪方法中的最优者的平均距离精度提高了6.9%, 且在目标发生尺度变化、光照变化、部分遮挡、姿态变化、旋转、快速运动等复杂场景下有较强的鲁棒性。