为提升融合梯度直方图特征和颜色属性特征的有效卷积操作跟踪算法(ECO-HC)的跟踪精度和速度,提出一种融合上下文和重定位的加权相关滤波跟踪方法。根据梯度直方图和颜色属性的不同特性加权融合相关滤波响应值,采用自适应迭代方法预测目标位置;融合多尺度搜索区域,目标上下文特征和目标预测失败时重定位方法进一步提高跟踪精度。在标准数据集OTB-100上进行算法评估,实验结果表明,所提算法的平均距离精度为89.2%,平均重叠率精度为80.6%,比ECO-HC算法分别高3.6%和2.1%。中央处理器的跟踪速度达65.2 frame/s,优于实验中对比的其他跟踪算法。所提算法有效地提高了跟踪精度,在严重遮挡、光照变化等干扰下,仍能较好地跟踪目标。

为提升分层卷积相关滤波跟踪算法的速度和精度, 减少无效卷积通道特征对跟踪精度的影响, 提出一种自适应特征选择的分层卷积相关滤波跟踪方法.该方法选取能表征目标的双层卷积特征, 将相关滤波训练与预测合并, 在视频序列的每一帧计算上一帧目标区域与非目标区域的卷积特征均值比, 选取满足特征均值比要求的卷积通道特征训练相关滤波分类器, 根据分类器与目标特征的最大响应值预测目标位置; 最后根据预测结果稀疏更新目标初始帧特征, 作为后续帧训练分类器的依据.在OTB-100标准数据集上对算法进行测试, 实验结果表明本文算法的平均距离精度为91%, 平均重叠率精度为64.4%, 平均速度为21.7帧/秒, 比原分层卷积相关滤波跟踪算法分别高出7.3、8.2个百分点和11.3帧/秒, 该算法的平均距离精度比高精度的连续卷积跟踪算法（CCOT)高1.2个百分点, 跟踪速度是CCOT的近20倍.本文算法可以有效提升分层卷积跟踪算法的速度和精度, 在目标发生遮挡、快速运动等干扰时能稳定跟踪到目标.

为提升卷积特征目标跟踪算法的实时性和稳健性,利用不同卷积层特征对不同目标表征能力不同的特性,提出双模型自适应切换的实时跟踪方法。该方法对选取的两个卷积层特征使用目标区域和跟踪搜索区域卷积特征的能量均值比来评估卷积特征,选择能量均值比大于给定阈值的卷积通道特征来训练两个相关滤波分类器,然后利用目标相关滤波响应图的峰旁比自适应切换两个相关滤波分类器来预测目标位置,最后采用稀疏模型更新策略来更新分类器。在标准数据集上进行算法测试,实验结果表明,本文算法平均距离精度为89.3%,接近连续卷积跟踪算法,平均跟踪速度为25.8 frams/s,是连续卷积跟踪算法的25倍,整体性能优于实验中的对比跟踪算法。

为了让相关滤波模型更加适应目标外观的变化, 提高相关滤波跟踪算法的鲁棒性和实时性, 根据相关滤波响应值、帧差均值和目标运动位移之间的关系, 提出了一种单层卷积相关滤波实时跟踪模型的自适应学习率调整跟踪方法.该方法首先选取单个卷积层卷积特征, 减少了卷积特征维度, 然后使用单层卷积特征训练相关滤波分类器预测目标位置, 用快速尺度预测方法估计跟踪目标的尺度, 并采用稀疏的模型更新策略, 提高跟踪的速度; 最后利用相关滤波预测响应图的峰旁比估计预测位置的可信度, 结合图像帧差均值和目标的运动位移量来评估目标的表观变化, 并根据目标预测的可信度和表观变化情况自适应调整相关滤波模型更新的学习率, 使模型快速学习目标的变化特征, 提高了目标跟踪的精度.在OTB100数据集上对算法进行测试, 实验结果表明, 本文算法的平均距离精度达90.1%, 优于实验中对比的9种主流算法, 平均成功率值为79.2%, 仅次于9种算法中的连续卷积跟踪算法, 平均速度为31.8帧/秒, 是连续卷积相关滤波算法的近30倍.

为解决图像背景复杂造成图像检索效果差的问题, 提出了一种结合主体检测的图像检索方法。该方法首先训练用于目标检测的深度卷积神经网络模型, 利用训练好的模型检测查询图像中的物体类别、类别概率和其所在区域坐标及特征。根据物体的类别概率和其所在区域的坐标判断图像主体后, 在数据库中查找和主体类别相同的图像。计算查询图像与检索的同类别图像之间区域特征的余弦距离, 结合类别概率对所有检索图像进行打分排序, 返回分值最高的前10幅图像作为检索结果。最后在VCO2007数据集和自己收集的书页数据集上进行算法验证。实验结果表明, 在随机选取的1 000幅测试图片检索结果的全正确率为96.5%, 比现有方法提升了6.6个百分点。本文方法可有效排除图像背景的干扰, 得到更加准确的检索结果和定位精度。