针对Camshift算法应用于NAO机器人目标跟踪过程中，当目标受到相似颜色背景干扰或被物体遮挡时跟踪失败的问题，提出一种基于ORB特征检测和Kalman滤波多算法结合的目标跟踪方法。首先检测目标ORB特征点初始化搜索窗口，然后利用Kalman滤波作为目标运动状态的预测机制，以预测的位置初始化Camshift算法。利用Bhattacharyya距离判断跟踪窗口的收敛性，若受到背景干扰，则利用ORB算法对当前帧中的Kalman预测区域和目标模型进行特征点匹配，重新检测目标在视频帧中的位置。根据Kalman滤波预测目标被物体遮挡后可能的位置来更新预测器参数。实验结果表明，改进的算法能够在相似颜色背景干扰和目标遮挡的复杂环境下，连续稳定地跟踪运动目标。

为提高跟踪方法对背景信息、光照变化的抗干扰能力, 提出融合分数阶微分边缘特征信息的改进跟踪方法。将R-L分数阶微分边缘检测算子与Laplacian边缘检测算子进行融合, 构造出对高、中频信息提升, 而对低频信息能够非线性保留的混合边缘检测算子, 并利用其实现目标模板及场景图像的边缘特征信息检测。基于目标色度特征和边缘特征两种直方图模型, 分别建立场景图像的反向概率投影值, 根据背景信息的动态变化, 以抑制背景干扰信息为目的, 建立自适应融合的反向概率投影图, 提高算法对不确定环境变化信息的鲁棒性。实验结果表明, 混合边缘检测算子能够提高边缘图像的信噪比, 改善边缘提取的效果。边缘、色度特征信息自适应融合的跟踪方法单帧跟踪时间小于20 ms, 满足实时性要求。该方法能够在光照变化明显和与目标颜色相似背景等情况下有效实现目标识别与跟踪功能。

针对红外测量目标图像灰度分布不均衡、边缘灰度梯度小、有效信息范围窄，导致在应用Camshift算法对红外测量目标跟踪时不能准确检测目标区域的问题，文章利用红外测量图像相邻帧灰度分布的连续性，按照目标判读的具体要求，通过目标跟踪结果重定位的方式，解决了此方法在跟踪结果中目标图像范围不稳定的问题，实现了测量图像的连续稳定跟踪。实验结果表明：此方法能够提供准确的目标范围，跟踪稳定，执行效率高，且方法具有较好的自适应性，易于实现。

针对灰度测量图像传统量化方法效率低、变换效果差的问题，根据长期的红外测量图像处理经验，依据测量图像的处理要求和不同工作需求，在充分考虑红外测量图像的灰度分布特性、噪声特点等因素后，提出了三种灰度测量图像快速量化方法。这些方法具有变换效率高、算法简单、实现容易、计算量小、对图像质量适应性强的特点，已经在红外图像处理及分析工作中得到了广泛的应用，取得了良好的效果，显著提高了红外测量图像的灰度量化质量。

针对无人机目标跟踪过程中CamShift算法对目标颜色相似背景干扰和遮挡干扰鲁棒性差问题, 对CamShift算法进行了改进。首先, 针对CamShift算法模板信息单一, 易受到颜色相似背景干扰的问题, 提出基于H分量和LBP二维直方图模板的CamShift目标跟踪算法, 改进算法提高了算法对相似目标干扰的鲁棒性, 且有效帧率提高了约21%; 针对目标跟踪过程中目标易受到障碍物遮挡的问题, 在CamShift算法中引进了Kalman滤波预测机制, 增强了跟踪算法在目标遮挡条件下的鲁棒性和跟踪效率, 其中跟踪效率提高了约25%, 每帧迭代所用时间下降了约36%。

为解决运动目标跟踪过程中由于遮挡、光照变化、尺度变化等因素导致的目标易丢失以及传统Camshift跟踪算法中跟踪窗口易发散等问题, 提出一种融合优化的隐马尔可夫模型(HMM)和分块特征匹配的运动目标跟踪算法。首先, 利用主成分分析(PCA)结合特征位置对目标仿射尺度不变特征变换(ASIFT)特征进行降维生成PCA-ASIFT特征, 保留目标关键信息; 其次, 采用粒子滤波最优特征位置优化目标PCA-ASIFT特征的HMM参数; 最后, 通过HSV直方图模型建立目标分块, 赋予不同目标分块相应权重并结合分块特征匹配以改善Camshift算法实现运动目标跟踪。实验结果表明, 在自然场景下, 本文算法能够取得较好的运动目标跟踪效果, 对遮挡、尺度变化等具有较好的稳健性。

在CamShift目标跟踪的框架下，提出了基于BRISK特征匹配和CamShift的目标跟踪方法，该方法通过颜色特征和局部特征共同定位目标，从而实现目标准确跟踪。在保证跟踪实时性的前提下，该方法改善了CamShift算法在目标跟踪过程中对背景、尺度、旋转和遮挡变化的敏感性和目标跟踪的特征单一性。实验对比结果表明，该改进方法较单独基于特征匹配的目标跟踪方法,其快速性有很大提高，较CamShift跟踪方法在目标尺度变化、旋转变化、光照变化、背景变化和遮挡变化条件下的鲁棒性更强，同时增强了两种算法的跟踪准确性。

提出了一种在复杂环境中车辆检测与跟踪方法。该方法首先分析车辆的外形特点，确定采用从Blob块提取的几何形状参数作为车辆的特征并用于运动车辆的检测; 然后结合Blob分析和CamShift算法提出了车辆跟踪方法。实验结果表明，本文采用的车辆特征参数能够准确地检测车辆，并能准确地区分车辆和行人群体，车辆检测与跟踪准确率分别达到了96.7%和86.7%，证明该方法适用于复杂环境下车辆的检测与跟踪应用要求。

为了提高Camshift跟踪方法在复杂环境下的跟踪性能, 应用被跟踪目标内部各特征像素间的交比不变原理, 提出了一种改进的Camshift跟踪方法。该方法通过分析被跟踪的目标模型, 计算出其内部各特征像素间的坐标关系; 将内部数据间的交比不变量作为所提出的跟踪方法的约束条件, 对跟踪错误的像素点进行校正, 并将跟踪过程中连续两帧图像的内部特征像素间的距离比作为跟踪效果的评判标准。用改进的Camshift跟踪方法分别对标准测试视频内的视频信息和实际拍摄的视频信息进行了测试。结果显示, 该方法在两种复杂环境实验条件下, 跟踪目标的距离偏差都能保持在15 pixel以内, 对单帧图像平均处理时间在20 ms以内。试验结果表明, 该方法对复杂环境下的目标具有良好的跟踪效果, 跟踪性能稳定, 跟踪效率高, 可以满足跟踪系统实时性的要求。

小型无人机在无卫星导航条件下使用的需求日益强烈, 采用立体视觉方法可满足无人机在复杂环境中的目标检测、跟踪与定位。研究了双目立体视觉系统标定、特征点检测提取与匹配、双目测距等技术, 实现了对图像中的指定目标进行追踪, 同时实现对目标的定位, 得到目标的位置, 视觉系统标定误差在0.2个像素点以内, 目标定位误差小于10 cm。以地面机器人作为追踪目标进行算法测试验证, 在目标消失时间较短的情况下, 能够达到较好的追踪效果。