针对复杂环境下多目标跟踪过程出现的轨迹漏检、误检及身份切换等问题，提出一种基于改进YOLOX和BYTE数据关联方法的多目标跟踪算法。首先，为了增强YOLOX在复杂环境下的目标检测能力，将YOLOX骨干网络与Vision Transformer结合，增强网络的局部特征提取能力，同时加入α-GIoU损失函数，进一步增加网络边界框的回归精度；其次，为了满足算法实时性要求，采用BYTE数据关联方法，摒弃传统特征重识别（Re-ID）网络，进一步提高了多目标跟踪算法的速度；最后，为了改善光照、遮挡等复杂环境下的跟踪问题，采用更加适应非线性系统的扩展卡尔曼滤波，提高了网络在复杂场景下对跟踪轨迹的预测精度。实验结果表明：所提算法对MOT17数据集的multiple object tracking accuracy（MOTA）、identity F1-measure（IDF1）指标分别为73.0%、70.2%，相较于目前最优的ByteTrack，分别提升了1.3个百分点、2.1个百分点，number of identity switches（IDSW）则减少了3.7%；同时所提算法取得了51.2 frame/s的跟踪速度，满足系统实时性要求。

随着技术的不断发展, 传统多目标跟踪算法在红外警戒设备应用上面临新的挑战与要求。讨论了基于多模标签多伯努利-支持向量机的扇扫红外警戒设备图像多目标跟踪问题。首先分析了传统多目标跟踪算法运用于扇扫红外警戒设备存在的不足之处, 提出了基于多模标签多伯努利-支持向量机滤波算法的优势; 分析了基于多模标签多伯努利滤波-支持向量机算法运用于扇扫红外警戒设备面临的问题, 并提供了对应的解决方案。仿真结果表明, 在典型复杂背景下, 该算法的弱小目标航迹抗干扰成功率平均提升20%左右, 对仅50%检测率的弱小目标的建航成功率提升45%以上, 显著提高了弱小多目标跟踪能力。

为了精确估计概率假设密度(PHD)滤波器的目标数量, 提出了一种基于信息加权共识滤波器(ICF)并使用数据聚类的基数补偿方法, 将ICF用于信息融合。在密集杂波环境中, 当量测中的噪声和杂波较高时, 会出现跟踪丢失的情况, 进而目标数量估计性能下降。因此, 在PHD滤波器中加入基数补偿过程, 基于信息融合步骤, 使用从PHD滤波器中获得的估计基数和通过数据聚类获得的量测基数,得到最终的目标数量估计。为了验证所提方法的性能, 进行了仿真模拟, 证明了多目标的跟踪性能得到改善。

为了克服卡尔曼滤波在远距离以及遮挡情形下跟踪不准确的问题, 设计了一个多目标实时跟踪框架, 利用神经网络预测目标物体在三维空间里的状态, 使用匈牙利算法逐帧进行数据关联, 设计轨迹管理模块管理相应的轨迹, 实现多目标跟踪。相较于传统的框架, 该框架不需要在图像空间执行卡尔曼滤波, 不仅能在高帧速率准确跟踪遮挡目标, 而且对远距离目标也有优异的表现。以 KITTI 数据集进行测试, 性能指标如下: 多目标跟踪准确度为 79.22，多目标跟踪精确度为 78.33, 多数丢失数为 54.19, 多数跟踪数为 13.21, ID 转变数为 16, 运行速度为 39 帧/秒。相较于传统的卡尔曼框架, 准确率提升了 11%，并且抗遮挡性也有大幅度提升。

针对不同传感器融合跟踪精度低的问题, 提出一种采用加权融合的改进自适应无迹卡尔曼滤波算法（IAUKF)。针对不同传感器的融合处理中场景切换导致的传感器精度变化, 对来源于不同传感器的数据设置不同的权重, 引入Sage-Husa自适应思想, 实时处理测量噪声的统计特性, 利用联合概率数据关联（JPDA)来完成杂波的去除和量测-目标的关联任务。运用所提算法在修正球坐标系下跟踪多个空中目标,最后仿真结果表明,与基于标准UKF估计算法的对应方法相比,新算法有效减小了状态估计误差,提高了跟踪精度。

多目标跟踪时目标之间的交互、部分遮挡或完全遮挡会造成跟踪准确度降低或目标的丢失等问题。针对这些问题，提出了一种融合光流法与马尔可夫随机场（MRF）的多目标跟踪算法。首先，利用首帧图像光流场提取出目标光流，得到目标的速度信息；其次，根据目标运动特性与已建立的MRF模型进行融合并约束优化；最后，在所提模型中，通过核相关滤波算法得到目标最优状态分布以实现对多个目标的跟踪。实验结果表明，与同类先进算法相比，所提算法在多目标交互之后，能够继续对目标进行准确跟踪，降低了目标彼此遮挡时的误报率，具有更优越的准确性。

认知雷达网系统已被证实在多目标跟踪方面具有显著优势。提出了一种基于后验克拉美罗下界(PCRLB)的带宽与驻留时间联合分配算法。首先分析、构建了带宽、驻留时间与目标跟踪精度的影响关系模型,设计了基于PCRLB的带约束优化目标函数,利用粒子群算法(PSO)实现对驻留时间与带宽的联合分配。仿真结果证明,与平均分配资源相比,所提方法不仅能节约系统的时间和带宽资源,而且改善了雷达的跟踪性能。

针对传统跟踪算法受背景杂波与不同目标类型混淆影响较大的问题，提出了一种利用N型序贯蒙特卡罗PHD(SMC-PHD)滤波的多目标跟踪。基于随机有限集理论提出一种新的扩展概率假设密度(PHD)滤波器模型，即N型PHD滤波，从概率生成函数中导出更新的PHD;利用序贯蒙特卡罗(SMC)方法产生随机样本，结合N型PHD滤波，提出N型SMC-PHD滤波算法，以减少不同目标类型的混淆检测;利用量测驱动的SMC-PHD滤波器，通过门控方法对量测的属性进行区分，从而抑制杂波对已有目标跟踪的影响。基于MATALB仿真平台，在MOT17以及VS-PETS’2003足球视频数据集中对所提算法进行实验论证，结果表明，所提方法的平均最优子模式分配(OSPA)距离显著降低，且在高杂波、目标类型较多的情形下具有较高的可靠性。

针对目前多目标跟踪过程中漏检率高和检测速率慢的问题,提出一种改进YOLOv3网络结构的多目标跟踪算法。首先,利用K-means++聚类算法对数据集中的目标边框进行聚类,根据聚类结果优化网络的先验框参数。然后,在Darknet-53特征提取层中引入深度可分离卷积模块,用深度可分离卷积代替标准卷积,减少参数量,并在YOLO预测层中引入SENet模块,利用SENet模块突出特征图的关键通道信息。最后,选定经典的tracking-by-detection框架,使用改进的YOLOv3算法来实现对目标信息的检测工作,跟踪部分选用Deep-SORT算法进行跟踪。实验结果表明,所提出的多目标跟踪算法能够有效地减小漏检率,同时兼顾了算法的检测精度和实时性。