无人机的无序“黑飞”带来一系列安全及社会问题, 如何有效地对无人机进行探测、识别甚至打击是当今研究的热点与难点。为此, 本文首先搭建了基于转台与高清可见光相机的无人机目标实时光电探测系统, 并构建了一个由40 000帧无人机图像组成的样本库; 其次, 为了更远、更早地发现目标, 在YOLOv3模型基础上增加更小的特征尺度, 使得模型对小目标检测效果提升; 最后, 为了实现无人值守、全自动式无人机目标的探测与跟踪, 提出一种基于更小特征尺度的YOLOv3与KCF相结合的模型, 并通过外场试验确定了无人机目标跟踪过程中, 目标丢失时所对应的阈值参数的选取。结果表明, 通过在包含大疆御Pro、精灵3等无人机在内的8 000帧无人机图像组成的静态测试集上进行实验, 增加更小特征尺度后的模型对小目标的识别率较之原始YOLOv3模型提高约5%; 对于1 280×720分辨率的动态视频, 每帧检测时间为0.025~0.030 s(33 fps), 且根据选定的阈值, 当无人机目标丢失后可重新进行检测, 每帧跟踪时间为0.010~0012 s(85 fps), 验证了所提方法的有效性, 并可满足工程应用中对实时处理的需求。

针对具有有限感知范围的无线传感器网络中的动态目标跟踪问题，提出了一种将卡尔曼一致滤波和动态集群自组织相结合的协作式动态目标跟踪算法。首先，算法采用一个由群头挑选阶段和集群重新配置阶段构成的动态集群协议来限制参与目标状态估计过程中节点间的信息交换，然后用一个分布式加权估计预测算法即卡尔曼一致滤波来估计目标状态并预测其下一个位置，这样有助于唤醒最合适的节点来进行目标跟踪并最恰当地组织网络通信，而其他节点保持在睡眠状态。仿真结果表明，提出的算法相比于集中式和其他2种常用的分布式动态目标跟踪算法，不仅能够降低网络的平均能耗，而且能够明显提高跟踪过程中的误差估计质量。

核相关滤波(KCF)算法在跟踪过程中由于目标受到遮挡或者目标本身的形变、大小变化等问题容易丢失目标。针对以上问题对原算法做出如下改进: 一是加入检测模型响应值的方法作为判定目标是否丢失的依据，一旦判定目标丢失，模型就会暂停更新，增加采样窗口个数来扩大目标搜索范围，直至判定为重新定位目标; 二是加入一种自适应的多尺度搜索策略; 三是将原算法采用的方向梯度直方图(HOG)特征与图像灰度特征矢量融合作为新的样本特征。将原算法和改进算法用于实验采集的红外视频序列，定性地比较和分析跟踪效果，同时根据在OTB-2013中测试的跟踪精度做定量的评估。实验结果表明，改进算法的综合性能及应对目标受到遮挡、形变、大小变化等问题上的鲁棒性能均有提高。

针对目标尺度变化、遮挡及形变等复杂情况下, 传统核相关滤波器(KCF)效果不理想的问题, 提出了一种基于Radon变换的自适应模型更新KCF滤波跟踪算法。利用运动信息, 通过光流法和帧间差分法预测出目标可能所在的区域, 显著缩小了搜索范围, 提高了算法速度; 利用Radon变换具有对噪声不敏感及矩平移伸缩不变性, 通过矩特征匹配度峰值确定最优尺度, 在减少计算量的同时提高算法精度; 根据模型更新策略中学习率与响应图峰值的非线性关系, 构造抛物型学习率曲线,实现对模型的自适应更新, 即使在目标暂时丢失或出现虚假目标时也保证了算法的跟踪精度。实验结果表明, 提出的算法具有较好的实时性和较高的成功率与精度。

为了在对空中小目标打击过程中实现对目标的准确检测与跟踪，针对空中红外弱小目标信噪比低、像素点少等特点，本文基于红外视频图像，采用高斯滤波以及 Top-Hat算子对图像进行预处理；利用边缘检测算法对图像中的目标进行检测与定位；根据检测得到的目标初始位置，通过核化相关滤波跟踪算法对目标持续跟踪；最后对跟踪效果做了定量评估。实验结果显示，跟踪最大视场角度误差不超过 0.0062.，运行速度平均每帧可达 25.3帧/s，该方法能够有效地对空中红外弱小目标进行自动检测跟踪。

相关滤波算法是通过模板与检测目标的相似性来确定目标位置, 自从将相关滤波概念用于目标跟踪起便一直受到广泛的关注, 而核相关滤波算法的提出更是将这一理念推到了一个新的高度。核相关滤波算法以其高速度、高精度以及高鲁棒性的特点迅速成为研究热点, 但核相关滤波算法在抗遮挡性能上有着严重的缺陷。本文针对核相关滤波在抗遮挡性能上的缺陷对此算法进行改进, 提出了一种融合 Sobel边缘二元模式算法的改进 KCF算法, 通过 Sobel边缘二元模式算法加权融合目标特征, 然后计算目标的峰值响应强度旁瓣值比检测目标是否丢失, 最后将 Kalman算法作为目标遮挡后搜索目标的策略。结果显示, 本文方法不仅对抗遮挡有较好的鲁棒性, 而且能够满足实时要求, 准确地对目标进行再跟踪。

针对核相关滤波(KCF)在跟踪中由于目标出视野以及遮挡导致跟踪失败的问题, 提出一种基于核相关滤波的长时目标跟踪算法。该算法融合梯度直方图特征和颜色提名特征来增强特征的表达能力; 考虑到核相关滤波不能解决尺度变化的问题, 通过定义尺度池、采集不同尺度的样本计算响应值, 然后利用最大响应值得到最佳位置和尺度。最后, 针对在长时间目标跟踪过程中, 有时不可避免地会出现跟踪失败的情况, 通过训练支持向量机对目标进行重新检测以达到长时跟踪的目的。在OTB数据集上对提出的算法和其他主流算法进行对比, 实验结果验证了提出算法的有效性和优越性。

为了实现校园的安全监控，提出了基于云台摄像机的快速移动人群的检测与跟踪算法。介绍了云台摄像机用于校园安全监控的基本构成。为了更好地实现云台摄像头对于移动人群的检测与跟踪，建立了基于现实的精确摄像机模型，提出了摄像机自旋转角度约束的摄像机模型。通过最新的核相关滤波器跟踪算法（KCF）实现对运动着的人群检测与跟踪。运用Matlab仿真实验比较该方法和卡尔曼滤波跟踪算法，选择最优方法和相关滤波器跟踪算法来实现检测与跟踪要求。结果表明：相比较于传统的卡尔曼滤波跟踪算法，KFC算法的跟踪精度优于传统方法，精度多数情况下能达到90%以上，高于卡尔曼滤波跟踪算法的60%，检测与跟踪效果达到要求。