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。

针对目标追踪过程中由于目标快速运动及尺度变化导致追踪失败的问题,提出了一种基于全卷积对称网络的目标尺度自适应追踪算法。首先利用MatConvNet框架构建全卷积对称网络,使用训练好的网络得到实验图像与模板的多维特征图,两者通过互相关操作,选取置信分数最大的点为所追踪目标的中心位置;其次,对中心位置进行多尺度采样,将小于模板方差1/2的错误样本过滤掉;建立目标模板和样本概率直方图,计算模板与样本间的海林洛距离,选取合适的尺度作为目标追踪窗口的尺度。在OTB-13数据集上进行实验,与其他追踪算法性能比较,本文算法追踪成功率为0.832,精度为0.899,高于同类型深度学习追踪算法,平均追踪速度达到42.3 frame/s,满足实时性的需求;挑选包含目标快速运动或尺度变化属性的追踪序列进一步进行测试,本文算法追踪性能仍高于其他算法。

针对复杂跟踪条件下目标的稳健跟踪和精确尺度估计问题,提出了一种基于多层卷积特征融合的目标尺度自适应稳健跟踪算法。算法首先利用VGG-Net-19深层卷积网络架构提取目标候选区域的多层卷积特征,通过相关滤波算法构建二维定位滤波器,得到多层卷积特征并进行加权融合,从而确定目标的中心位置;然后通过对目标区域进行多尺度采样,提取其梯度方向直方图特征构建一维尺度相关滤波器,确定目标的最佳尺度。实验结果表明,与6种当前主流跟踪算法相比,该算法取得了最好的跟踪成功率与精度,同时在跟踪过程中较好地实现了对目标快速尺度变化的自适应跟踪,且具有较快的跟踪速率。

由于理论上的局限性, 逆向复合模板匹配算法难以在末制导阶段的高动态环境下实现对目标的稳定跟踪。针对这一问题, 本文提出一种基于多分辨率运动先验的逆向复合跟踪算法。算法将跟踪问题分为离线训练和在线跟踪两个阶段。在离线计算阶段, 将目标运动的幅值按 “coarse-to-fine”的顺序划分为多个层次 ,并采用分层训练的方式获得多分辨率先验误差雅可比矩阵。将该先验知识应用于逆向复合跟踪算法, 能够在不增加在线计算复杂度的前提下实现对地面固定目标的实时稳定跟踪。对比实验证实, 在高动态环境下, 算法具有良好的收敛特性, 同时, 对目标图像的旋转、尺度缩放和光照变化等干扰因素也具有良好的稳定性。