针对目标发生形变、遮挡以及尺度变化导致跟踪失败的情况, 本文提出了一种改进的多特征融合的目标跟踪算法。首先, 通过计算方向梯度直方图(Histogram of Oriented Gridients, HOG)和颜色命名(Color Names, CN)特征响应相邻两帧峰值旁瓣比(Peak-to-Sidelobe Ratio, PSR)的差值得到这两种特征的融合权重, 用得到的权重对HOG和CN特征响应进行自适应融合, 将第一次融合后的响应与颜色直方图特征获得的响应以固定权重进行二次融合,并根据融合结果确定目标中心位置。其次, 结合最终目标响应值的PSR与其均值的差值变化, 对位置相关滤波器和尺度相关滤波器的学习速率进行动态调整。最后, 在OTB50标准数据集上进行实验验证, 并和其他跟踪算法进行对比。实验结果表明: 本文算法在多项性能指标上均优于其他算法, 其中精度为81.9%, 成功率为61.1%, 能有效适应形变、遮挡以及尺度变化场景下的目标跟踪。

针对传统手工特征表达能力不足和滤波器模型存在误差累积的影响,提出一种融合多层卷积特征自适应更新的目标跟踪算法。该算法采用分层卷积神经网络提取图像特征,利用线性加权的方法融合多层卷积特征预测目标位置;利用多尺度下目标卷积特征确定目标最佳尺度;利用平均峰值相关能量评价目标响应的置信度,根据相邻两帧目标图像的帧差均值和位移评估目标的运动情况,根据预测位置可信度和目标图像外观变化,调整滤波器模型的学习率。在OTB-2013公开测试集上验证本算法性能,并与现有基于相关滤波的主流运动目标跟踪算法进行相比,实验结果表明,本算法在精度和成功率上表现更优,且在复杂情况下稳健性更强。

针对目前弹载红外目标跟踪算法对快速机动目标适应性较差的问题，本文在现有模板跟踪算法的基础上提出了一种鲁棒普适的自适应更新策略。该策略利用多个不同学习因子的更新模型，通过对不同模型下的跟踪置信度进行分析，自适应地对模型进行更新，有效地解决跟踪过程中目标剧烈外观变化或微弱位移变化。大量的定性定量实验表明本文所提的算法的跟踪性能超过现有的大多数算法，在现有弹载红外目标跟踪板硬件余量有限的情况下也能实现稳定跟踪复杂背景下的目标。同时，本文算法已经在挂飞测试中获得较理想的效果，适合**装备的应用。

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。

提出了一种基于自适应特征融合和自适应模型更新的相关滤波跟踪算法(CFT)。该算法在跟踪的训练阶段利用损失函数计算特征的自适应权重, 在检测阶段对不同特征的响应图进行加权求和, 从而实现了响应图层面的自适应特征融合。设计了自适应的模型更新策略, 采用响应图的峰值旁瓣比判断是否发生遮挡或错误跟踪, 据此决定是否在当前帧更新目标模型。在11个视频序列上对所提算法进行了实验, 验证了所采用的自适应特征融合策略和自适应模型更新策略的有效性。与多个传统的采用单特征的相关滤波跟踪算法进行了比较, 结果显示, 所提算法的跟踪精度和成功率典型值分别提升了18.2%和11.5%。实验结果验证了特征融合和自适应模型更新对跟踪算法的改进具有指导意义。

在相位相关目标跟踪中, 由于响应函数为冲击函数, 不能适应目标的变化, 且易受噪音和杂波的影响, 导致跟踪失败.而均值合成滤波器利用符合期望的相关输出分布, 可获得较好的滤波效果.本文考虑跟踪过程中目标的上下文信息, 设计与目标空间位置相关的响应函数取代冲击函数, 从而获得更为鲁棒的滤波器; 利用峰值旁瓣比评估跟踪结果并自适应更新滤波器, 适应目标的变化; 用快速傅里叶变换进行加速算法, 对目标实现快速鲁棒跟踪.实验结果表明, 本文方法平均每秒处理50帧图像, 在准确度和精确性方面优于当前算法.