针对相关滤波器跟踪算法在目标快速运动、遮挡和表观变化时易发生跟踪漂移或者丢失的问题, 提出一种基于时间一致性和核互相关器的目标跟踪算法。该算法通过引入对图像噪声和杂波更具鲁棒性的核互相关向量, 能够更精确地预测目标的仿射变化。同时, 在学习过程中引入时间一致性约束, 以解决因核相关器时间退化导致的跟踪漂移问题。最后, 采用主灰度分量逆映射来提升跟踪器应对目标部分遮挡的能力。在公开的OTB100标准目标跟踪数据集中与提供的基准算法和其他性能更加先进的相关滤波算法进行对比, 该算法平均跟踪速度为41f/s, 相对fDSST和SAMF算法, 其跟踪精度分别提升15.6%和6.4%, 跟踪成功率分别提升33.3%和6.1%。实验结果表明, 该算法在目标快速运动、遮挡或表观变化时仍能精确地跟踪目标。

针对光电图像语义分割问题, 提出了一种基于编解码(Encoder-Decoder)结构和图像局部增强的分割算法。首先, 采用基于互质因子的空洞空间金字塔池化(Atrous Spatial Pyramid Pooling, ASPP)模块减小多尺度空洞卷积(Atrous Convolution)引入的网格效应, 提升卷积核的像素近邻信息表征能力; 其次, 对分割难度较大的图像局部区域, 采用融合平均交并比(Mean Intersection Over Union, MIOU)和交叉信息熵的损失函数, 结合权值衰减策略, 提高这些局部区域的像素权重。实验结果表明, 提出的改进算法能有效提升图像语义分割精度。

：针对目标跟踪过程中目标可能出现的快速变化和严重遮挡等问题，提出了一种基于新的子空间表示的目标跟踪算法。采用距离不变量对尺度不变特征变换(SIFT)特征点匹配对进行提纯。用提纯后的特征点匹配对，通过线性拟合得到仿射变化参数。在粒子滤波的理论框架下，采用快速的迭代算法，建立目标的主分量(PCA)子空间表示，结合计算得到的仿射变化参数，构造有效的目标观测模型完成跟踪。同时，采用在线学习的方法对SIFT特征点和PCA子空间进行定时更新。大量实验表明，提出的算法能快速有效地完成对姿态和形状剧烈变化的目标的精确跟踪。

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。

提出了一种基于新的自适应最优聚类的模板匹配跟踪方法。利用模式分类准则计算最优聚类数, 然后根据最优聚类数采用k-均值方法进行多次聚类。根据聚类结果计算熵矢量和距离矢量, 组合得到特征矢量, 利用特征矢量进行匹配跟踪。匹配采用简单的相似性准则, 实时模板更新算法为多模更新。测试结果表明, 该算法针对不同的目标能自适应地选择聚类参数, 在目标发生几何变化时, 能实现精确稳定的跟踪。

为解决姿态剧烈变化的火箭目标跟踪问题, 提出了一种新的基于纹理特征的跟踪方法。相对于传统的模板匹配方法, 这种方法能对助推器和子级分离的捆绑式运载火箭进行跟踪。在对火箭目标特性进行分析的基础上, 采用局部二值化模式(LBP)纹理特征结合Hu不变矩特征描述进行跟踪。跟踪过程中特征匹配采用简单的相似性度量准则, 实时模板更新算法为加权更新。测试结果表明, 这种方法对发生位移、旋转和尺度变化的火箭目标同样具有比较好的跟踪效果。