针对互补学习跟踪算法遮挡、背景复杂等场景下出现跟踪漂移的问题，提出了高置信度的自适应特征融合目标跟踪算法。首先，使用巴氏系数实时计算每一帧前景与背景颜色直方图的相似度并利用对数损失函数求得最终融合因子，实现每一帧更优的特征融合；其次，将平均峰值相关能量和响应峰值与其对应历史均值的比值作为置信度判定参数，根据判定结果决定是否更新和纠正目标位置进行跟踪。在OTB100和LaSOT数据集上进行实验，提出算法与Staple算法相比精确率和成功率分别提高了17.5%、15.4%和27.3%、18.0%，该结果表明了该算法的有效性和鲁棒性。

大部分现有深度聚类方法都试图最小化重构损失,然而深层特征的判别能力与重构损失并没有必然联系,并且这些深度聚类方法通常只关注从样本自身提取的有用特征,很少考虑样本背后的结构信息。为解决这些问题,提出一种新的结构化深度判别嵌入编码网络聚类(SDDECC)算法,用于无监督图像聚类。首先在多层卷积自编码器网络中引入最大化互信息与最小化先验分布约束,然后使用传递算子将深度判别嵌入编码网络(DDECN)模块学习到的特征表示融入到图卷积神经网络(GCN)模块中,最后利用Kullback-Leibler(K-L)散度联合双网络结构产生的潜在特征分布端到端地完成聚类训练。实验结果表明,SDDECC算法能够有效提取更多有鉴别性的深层特征,并且由于在GCN中融合了样本的属性信息和结构信息,最终该模型取得了良好的聚类效果。

针对上下文感知相关滤波跟踪算法中提取目标周围背景信息训练滤波器时,未考虑滤波器时间一致性的问题,当目标出现外观突变时,滤波器无法适应连续两帧图像中目标和背景信息的变化,易出现目标漂移等问题,提出一种自适应上下文感知相关滤波跟踪算法。首先,将目标周围的背景信息学习到滤波器中,增加滤波器对背景信息和目标的分类能力,加入时间感知项,保证学习连续两帧图像的滤波器尽可能一致。然后,采用线性插值法用于确定目标位置,模型更新阶段,引入遮挡判别依据平均峰值相关能量对目标是否遮挡进行判别。最后,在数据集OTB100上与当前主流算法进行大量对比实验。实验结果表明,本文算法在数据集OTB100上的精确率和成功率分别为0.798和0.722,与其他主流算法相比,本文算法在快速运动、遮挡、光照变化等复杂条件下也具有较好的跟踪效果。

为使YOLOv2算法在保证检测速度的同时进一步提高目标检测的精确率,在YOLOv2模型的基础上提出RF-YOLOv2新模型。该模型先将KITTI数据集经过聚类,选出最适合KITTI数据集的候选框个数和候选框尺寸;其次在网络结构的训练部分采用残差块结构增加卷积层,提取更符合目标的特征描述;最后在网络结构的检测部分引入特征金字塔网络,将不同尺寸大小的特征图进行融合,使得低层特征图也具有丰富的语义信息。实验结果表明,RF-YOLOv2模型能获得更深层的特征、能融合更多尺寸的目标信息,改善了目标检测过程中由实际道路场景复杂、目标外形和结构多变等特点导致的检测率不高问题,在保证算法实时性的条件下,提高了对目标检测的精确率,RF-YOLOv2模型对大目标检测效果更佳。

针对YOLO系列的目标检测方法参数多、计算量大、生成检测模型规模大等导致对运行硬件平台计算资源要求高的问题,提出一种基于反残差结构的轻量级多目标检测网络(IR-YOLO)。首先,利用深度可分离卷积减少模型参数和计算量;其次,基于深度可分离卷积构造反残差模块,提取高维特征;最后,根据反残差结构特点,利用线性激活函数减少通道组合过程激活函数的信息损失。IR-YOLO算法较YOLOv3-Tiny算法模型尺寸减少47.7%。实验结果表明IR-YOLO算法在不影响检测精度的前提下,可有效减少网络计算量和存储量。

针对相关滤波方法对快速运动与快速变形的目标跟踪稳定性较差的问题,提出一种自适应特征选择的相关滤波跟踪算法。利用位置滤波器和颜色概率模型提取候选区域中的基础特征,对基础特征以不同的权重分配方式进行融合,得到多个融合特征。对融合特征进行可信度判定,选择可信度较高的融合特征作为当前帧的跟踪特征,估计出目标的候选位置。若最高可信度低于可信度阈值,启动检测器重新检测目标位置,否则候选位置即为目标最终位置。与此同时,对目标模型进行更新,确保模型对目标描述的准确性。在标准数据集OTB50和OTB100上进行大量实验,测试结果表明,所提出的跟踪方法在运动模糊、光照变化、快速运动等条件下具有较高的跟踪准确率和较好的稳健性。

近年来卷积神经网络框架被成功地应用到目标跟踪领域,并取得了较为稳健的跟踪结果。基于此思想,提出一种基于定位-分类-匹配模型的目标跟踪方法。首先,在定位模型中,利用前一帧的位置信息预测当前帧中的候选目标区域。然后,采用已训练的深度特征对候选区域进行类间筛选,选出N个次优目标区域。最后,利用常规颜色特征对次优目标区域进行类内寻优匹配,从而确定最终的跟踪目标。与此同时,分别对定位、分类中的网络进行更新,并对建立的匹配模型进行在线实时更新,使得其对目标的描述更加准确。在OTB50和OTB100标准数据库上进行实验测试,结果表明,提出的跟踪方法在快速运动、相似物体干扰、复杂背景等条件下具有较好的跟踪稳健性。