针对红外单目标在长期跟踪过程中的强背景干扰、遮挡、形变以及目标特征信息减弱等实际问题，提出了一种基于跟踪 -学习-检测（Tracking-Learning-Detection，TLD）框架的红外目标 稳定跟踪方法。该方法在压缩跟踪算法（Compressive Tracking，CT）的基础上替换广义的类 Harr特征为 HOG特征，引入互补随机测量矩阵，优化纹理和灰度特征信息的权重，同时引入卡尔曼滤 波器记录空间上下文位置信息，以解决 CT算法和 TLD算法在目标被遮挡时的跟踪失效和全局检索问题。基于 TLD算法框架和改进 CT算法相结合的红外图像跟踪算法有效地解决了遮挡和强干扰问题 ，提升了算法的跟踪准确性和长期跟踪稳定性。实验结果表明，本文提出的算法在红外地面环境中能较好地实时稳定跟踪并保持良好的准确性和鲁棒性。

本文从3个方面对原始压缩跟踪算法进行改进, 以提高其在复杂场景下的鲁棒性和准确性。首先, 提出一种结合特征在线选择的压缩跟踪算法, 通过计算相邻两帧同维特征所服从的高斯分布曲线的Hellinger距离来度量特征的置信水平, 从特征池中选择置信水平较高的特征, 并融合特征的置信水平构造贝叶斯分类器。然后, 在压缩跟踪框架下引入协方差矩阵以增强算法对目标的表达能力, 把Haar-like特征和协方差矩阵相结合构建目标模型, 取最大响应值所对应的候选样本作为跟踪结果。最后, 优化分类器参数的更新方式, 根据目标模板与跟踪结果的相似度来自适应更新分类器参数。改进算法的平均跟踪成功率比原算法提高了25%, 平均跟踪精度比原算法提高了22%。相比于原始压缩跟踪算法, 本文算法具有更高的跟踪鲁棒性和准确性。

为解决压缩跟踪过快引入跟踪误差和样本采集方面的缺陷，首先，引入基于预测向量的采样搜索策略，通过前两帧跟踪到的目标位置预测后一帧目标的运动方位，并采用扇形区域采样方式缩小有效样本的范围；其次，根据前后两帧跟踪到的目标的对照来判断复杂背景或遮挡的发生，利用Bhattacharyya 系数自适应地改变分类器参数更新系数。实验证明，这些策略避免了因压缩跟踪缺陷导致的跟踪失败，改进后的算法比原算法具有更好的鲁棒性和时效性。

本文提出一种新的融合 SIFT(尺度不变特征 )和压缩特征的目标跟踪算法以解决姿态变换、光照变化、旋转和运动模糊下目标的稳定准确跟踪问题。算法使用压缩特征对目标和背景进行描述, 通过在图像帧中采集到的正负样本在线训练和学习 SVM(支持向量机 )分类器, 将跟踪任务构建为一个二类分类问题。使用该分类器对下一帧的目标和背景进行分类, 从而获得精确的目标位置和区域。同时, 算法使用前后两帧的 SIFT特征点之间的对应匹配关系求解目标尺寸变化值, 实现模板大小的自适应调整。将算法与其他算法在某些图像序列上的跟踪比较显示, 该算法在有效性、正确性和鲁棒性上性能优越。

作为一种新型图像获取技术，热红外技术能避免光照强度和背景颜色对目标提取的影响。当前利用热红外序列进行目标跟踪的算法大多结合可见光和热红外图像。针对这种局限性，提出了一种纯粹基于热红外序列的跟踪算法。首先，通过改进的码书算法和灰色预测模型，对序列中的背景信息和运动目标的运动方向进行建模；然后，将建模结果结合到压缩跟踪算法中，通过自适应的方法使背景信息、运动信息以及目标特征信息在跟踪过程中互相补充，消除跟踪算法对于可见光图像的依赖性，减少由于目标纹理特征不明显而对跟踪效果产生影响。实验证明，经改进的跟踪算法处理速度快，正确性得到了明显的提高，能更好地适应热红外序列的特点。

针对原始压缩跟踪算法无法自适应选择特征易导致目标丢失或者漂移这一现象, 提出一种基于在线选择特征的实时压缩跟踪算法。首先, 在初始化阶段生成两个互补的投影矩阵, 利用该投影矩阵提取特征构造候选特征池。然后, 通过特征置信度度量策略实时从候选特征池中选择置信度较高的特征, 并融合所选特征对应的置信度构造分类器。最后, 利用该分类器对候选样本做二元分类处理, 获得最高分类器响应值的样本作为最后跟踪结果; 而上一帧跟踪结果用来在线更新特征池和分类器为后续跟踪做准备。本算法在多个公共测试视频序列与原始压缩跟踪算法进行了对比, 结果表明其跟踪精度和鲁棒性方面得到了改善, 对于320 pixel×240 pixel大小的视频平均处理帧速为25 frame/s, 满足实时跟踪要求。

压缩跟踪算法作为一种新的算法, 具有简单、高效、实时的优点, 但该算法依然存在缺陷。首先, 在复杂背景或有遮挡等情况下, 容易较快的引进误差; 其次, 跟踪窗口保持不变, 使得不能正确跟踪目标位置且不能准确更新正负样本; 最后, 搜索样本数目大, 导致跟踪速度不理想。针对这些问题, 利用前后帧跟踪点的直方图对比来判断遮挡的发生, 并自适应的改变更新系数; 采用在原算法最优匹配点周围小范围多尺度搜索更优位置的方法, 来适应目标尺寸的变化; 引入粗精跟踪策略, 在不同阶段使用不同数量的子特征集进行匹配, 以筛选样本、减少计算量。这些改进避免了算法缺陷导致的跟踪失败, 提高了跟踪效率。实验证明, 改进后的算法比原算法具有更好的鲁棒性且跟踪速度更快。