基于Siamese网络的视觉跟踪算法是近年来视觉跟踪领域的一类重要方法，其在跟踪速度和精度上都具有良好的性能。但是大多数基于Siamese网络的跟踪算法依赖离线训练模型，缺乏对跟踪器的在线更新。针对这一问题，本文提出了一种基于在线学习的Siamese网络视觉跟踪算法。该算法采用双模板思想，将第一帧中的目标当作静态模板，在后续帧中使用高置信度更新策略获取动态模板；在线跟踪时，利用快速变换学习模型从双模板中学习目标的表观变化，同时根据当前帧的颜色直方图特征计算出搜索区域的目标似然概率图，与深度特征融合，进行背景抑制学习；最后，将双模板获取的响应图进行加权融合，获得最终跟踪结果。在OTB2015、TempleColor128和VOT数据集上的实验结果表明，本文算法的测试结果与近几年的多种主流算法相比均有所提高，在目标形变、相似背景干扰、快速运动等复杂场景下具有较好的跟踪性能。

目前使用颜色属性特征表征目标的几种主流算法中，均使用主成分分析法 (PCA)处理颜色属性特征，而 PCA方法假设输入数据中存在的噪声必须服从高斯分布，该方法存在明显不足。针对这一问题，本文根据鲁棒主成分分析法 (Robust PCA)对颜色属性特征进行处理。将输入图像从原始 RGB颜色空间映射至颜色属性空间，得到 11种不同的颜色属性层；之后，基于 Robust PCA处理颜色属性特征，使得映射后的图片信息都集中在少数层上，在保留原始图片大量信息的前提下滤除噪声。本文将使用 Robust PCA处理后的颜色属性特征用于原始 CN算法框架中并设置不同的降维层数对比其带来的算法性能差异。在 OTB100中，与原始 CN框架相比，算法成功率提升 1.0%，精度提升 0.9%。经实验数据证明，通过 Robust PCA处理后的颜色属性特征具有更强的鲁棒性，可以更好地发挥出其优势并提升算法性能。

根据目标检测算法中出现的目标漏检和重复检测问题，本文提出了一种基于双阈值-非极大值抑制的Faster R-CNN改进算法。算法首先利用深层卷积网络架构提取目标的多层卷积特征，然后通过提出的双阈值-非极大值抑制(DT-NMS)算法在RPN阶段提取目标候选区域的深层信息，最后使用了双线性插值方法来改进原RoI pooling层中的最近邻插值法，使算法在检测数据集上对目标的定位更加准确。实验结果表明，DT-NMS算法既有效地平衡了单阈值算法对目标漏检问题和目标误检问题的关系，又针对性地减小了同一目标被多次检测的概率。与soft-NMS算法相比，本文算法在PASCAL VOC2007上的重复检测率降低了2.4%，多次检测的目标错分率降低了2%。与Faster R-CNN算法相比，本文算法在PASCAL VOC2007上检测精度达到74.7%，性能提升了1.5%。在MSCOCO数据集上性能提升了1.4%。同时本文算法具有较快的检测速度，达到16 FPS。

为了解决相关滤波视觉跟踪算法在复杂场景中产生的跟踪漂移问题, 提出一种融合检测机制的相关滤波跟踪框架。利用时空正则化滤波器作为跟踪器, 同时使用线性核相关滤波器作为检测器。当跟踪器与目标进行相关计算得到的响应图为多个峰值时, 激活检测器, 对多个峰值进行相关匹配, 获得重检测结果; 同时, 使用平均峰值相关能量的滤波器模型更新策略得到更加可靠的检测器, 以达到提高跟踪精度和算法鲁棒性的目的。在OTB2015、Temple color 128和VOT2016数据平台上的实验结果表明, 与近年提出的性能较出色的跟踪算法相比, 本文算法在目标运动模糊、相似背景干扰和光照变化等复杂场景中具有更好的鲁棒性和准确性, 且跟踪精度和成功率上均有提高。

为了克服传统分水岭算法引起的过分割问题, 提出了一种基于简单线性迭代聚类(SLIC)与分水岭算法相结合的彩色图像分割算法, 以获得更理想的分割效果。该算法首先利用图像复杂度计算预分割的超像素个数, 并利用 SLIC对原始图像进行超像素分割预处理, 以减少后续处理中的冗余信息; 然后, 提出了一种自适应计算阈值的方法对预处理图像的梯度图像进行阈值处理, 以有效去除噪声, 获得较完整的轮廓信息; 最后, 利用分水岭分割算法对进行极小值标记提取后的图像进行分割。通过对大量图片进行实验表明, 本文算法可以有效地抑制传统分水岭算法所产生的过分割问题, 在 LCE和 GCE的对比上优于传统算法, 分割质量有所提高。

针对视觉跟踪中目标尺度变化对准确跟踪的不利影响,提出一种基于核相关的尺度自适应视觉跟踪算法。首先,通过建立核岭回归模型构建二维核相关定位滤波器,采用融合后的多通道特征对滤波器进行训练,提高目标定位的精度;然后,对目标区域进行多尺度采样,样本缩放后提取其特征,并构造为一维特征,以此构建一维核相关尺度滤波器,估计出目标的最佳尺度。在OTB2013平台上的实验结果表明,与8种当前主流的跟踪算法相比,本文算法的跟踪精度和成功率均有优势。在尺度变化条件下,本文算法在快速准确跟踪的同时,较好地实现了对目标尺度的自适应跟踪。

为提高视觉目标跟踪算法的稳健性,提出一种基于协方差矩阵的多特征融合跟踪算法。在量子遗传算法框架下,采用区域协方差描述子对颜色、边缘和纹理特征进行融合,并采用一种快速协方差交叉算法进行模型更新。该算法综合利用了区域协方差描述子维数较低,量子遗传算法收敛速度快且全局寻优能力强和快速协方差交叉算法快速计算的特点,能极大地提高了融合、匹配与更新过程的运算效率,实现了快速有效的多特征融合跟踪。实验结果表明,该算法能够有效应对遮挡、旋转、形变和运动模糊等多种复杂变化的干扰,实现对目标的快速稳健跟踪。

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。

为解决单一特征目标跟踪鲁棒性较差的问题, 提出一种基于颜色和空间信息的多特征融合目标跟踪算法。采用一种自适应划分颜色区间的方法提取目标颜色特征, 利用空间直方图提取目标颜色的空间分布信息。在粒子滤波框架下将自适应颜色直方图和空间直方图相结合, 在特征融合中引入特征不确定性度量方法, 自适应调整不同特征对跟踪结果的贡献, 提高算法的鲁棒性。仿真实验结果表明, 该跟踪算法平均位置最小误差值仅6.967 像素, 而单一特征跟踪算法以及传统融合算法的跟踪误差达192.576 像素和199.464像素。说明本文算法在跟踪准确性上优于单一特征跟踪算法及传统融合算法, 具有更好的跟踪精度和更高的鲁棒性。