为进一步适应复杂环境及战斗机自身状态的变化，提高目标跟踪算法的跟踪性能，在TLD算法框架下对其进行改进。首先，将改进了的SIFT特征匹配算法与TLD算法中的光流法相结合，根据战斗机的不同状态及周围环境自适应地选择相应算法，提高算法的鲁棒性和对复杂环境的自适应能力; 其次，引入粒子滤波进行优化，实时预测战斗机状态并缩小检测范围，在降低计算难度的同时提高跟踪速度和持续性; 最后，设置置信度检测以有效解决误判问题，提高跟踪精度。实验结果表明，当战斗机处于复杂场景或自身状态变化较大时，改进算法取得了优于参考算法的跟踪性能，可以满足长时间鲁棒跟踪的要求。

为了解决基于线激光视觉传感的焊缝中心位置定位精度不高的问题, 采用了一种基于改进跟踪-学习-检测（TLD）算法的焊缝跟踪方法。由激光视觉传感器实时获取焊缝图像, 采用将跟踪器与检测器结合的TLD算法实时跟踪焊缝特征点, 同时通过在线学习机制更新分类器参量。在此基础上对激光条纹图像截取感兴趣区域, 大幅减少检测器的搜索区域; 根据激光条纹光强分布特性, 结合纠偏方向选取跟踪器有效特征点, 以此提高算法效率, 对不锈钢板V型焊缝和搭接焊缝进行跟踪试验。结果表明, 跟踪与检测可实现共同定位焊缝中心位置, 其融合的焊缝跟踪方法能够准确地提取焊缝特征点, 两种焊缝跟踪平均绝对误差分别为0.062mm和0.052mm。此方法为提高焊缝跟踪精度提供了依据。

针对红外单目标在长期跟踪过程中的强背景干扰、遮挡、形变以及目标特征信息减弱等实际问题，提出了一种基于跟踪 -学习-检测（Tracking-Learning-Detection，TLD）框架的红外目标 稳定跟踪方法。该方法在压缩跟踪算法（Compressive Tracking，CT）的基础上替换广义的类 Harr特征为 HOG特征，引入互补随机测量矩阵，优化纹理和灰度特征信息的权重，同时引入卡尔曼滤 波器记录空间上下文位置信息，以解决 CT算法和 TLD算法在目标被遮挡时的跟踪失效和全局检索问题。基于 TLD算法框架和改进 CT算法相结合的红外图像跟踪算法有效地解决了遮挡和强干扰问题 ，提升了算法的跟踪准确性和长期跟踪稳定性。实验结果表明，本文提出的算法在红外地面环境中能较好地实时稳定跟踪并保持良好的准确性和鲁棒性。

目标跟踪是计算机视觉领域研究的热门话题,在实践中有着广泛的应用。主要针对三维单目标跟踪问题进行研究,考虑到三维目标检测已有较好表现,将通过视锥点云网络得到的三维目标检测结果与TLD目标跟踪算法相结合,并改进TLD算法的检测模块,构造了基于TLD的三维单目标跟踪算法,输入RGB-D图像序列,输出目标的三维跟踪结果。在KITTI数据集中测试结果表明该算法在三维目标跟踪上的可行性。

为提高TLD算法在广泛场景下跟踪鲁棒性和实时性的问题,本文从跟踪模块和学习模块两个方面对TLD算法进行了改进, 提出引入样本删除机制的TLD粒子群目标跟踪算法。首先, 用基于颜色特征的粒子群目标跟踪算法替代TLD算法中原来的跟踪模块, 增强TLD算法在应对目标出现非刚性形变、尺度变化、旋转、遮挡等情况下的跟踪鲁棒性。接着, 针对TLD算法的学习模块引入样本删除机制, 在跟踪过程中为样本库中正负样本数量分别设定一个阈值, 当正负样本数都达到各自阈值时, 便会启动样本删除机制。然后, 对待分类进入样本库的图像块进行等级评价, 删除对正负样本表征能力都较弱图像块。最后, 将样本库中的正负样本与当前目标进行相似度匹配, 删除对当前目标表征能力低的样本。通过对OTB2013和OTB2015数据集中相关视频序列的实验结果证明, 本文算法的OPE精确度达到0.687, 算法的OPE成功率为0.488, 算法运算效率平均提高了25.71%。基本满足广泛场景下目标跟踪的鲁棒性, 并显著了提高算法运算效率。

为加强fDSST算法在目标快速运动、快速形变、目标消失情况下的跟踪精度, 提出了一种基于TLD和fDSST的长时间目标跟踪算法。在fDSST算法的基础上, 加入了检测器和学习器对跟踪结果进行修正和学习, 并利用检测器和学习器的正负样本对跟踪结果进行置信度评估, 从而解决了在跟踪失败情况下的错误参数学习问题。实验表明, 基于TLD和fDSST的长时间目标跟踪算法, 不但解决了fDSST算法由于目标快速运动、形变甚至消失而使跟踪失败, 难以进行长时间持续跟踪的问题, 且很大程度上增强了TLD算法的跟踪精度。

为提升TLD 目标跟踪算法的处理速度，以达到在更高分辨率视频中跟踪目标的实时性要求，在TLD 算法框架的基础上，提出了一种基于动态捕获区域的TLD 目标跟踪算法(DC-TLD)。算法采用前一帧目标位置作为当前帧目标位置的预测值，减小了目标位置的预测误差。研究了检测区域负样本出现需满足的条件，分析了检测区域大小对算法鲁棒性的影响。针对样本的访问方式，提出基于索引的访问方法，极大地减少了访问时间。实验结果表明，该方法不仅有效降低了TLD 算法的样本检测时间，而且提高了算法的鲁棒性。

为提升TLD目标跟踪算法的每帧处理速度, 以达到在更高分辨率视频中跟踪目标的实时性要求, 在TLD算法框架的基础上, 提出了一种基于自适应尺度检测学习的目标跟踪算法(AS-TLD)。当跟踪目标成功时,选取当前帧跟踪到的目标尺度及几个相邻的尺度作为下帧检测目标时滑动窗口尺度的选取范围; 而当跟踪失败时, 则选取在TLD算法初始化阶段, 根据跟踪目标及视频图像大小选定的尺度来保障长时间跟踪目标, 从而有效减少了平均每帧扫描的窗口数量。实验结果表明, 该方法不仅有效地降低了检测模块的检测时间, 显著提高了整体算法速度, 而且通过动态选取尺度, 在一定程度使得TLD各个模块更加协调, 跟踪精确度得到提升。

针对自主空中加油对接阶段锥套跟踪问题, 提出了一种基于tracking-learning-detection (TLD)的锥套跟踪算法。该算法将加油锥套的跟踪任务分解成跟踪、学习、检测3个部分。跟踪模块在LK光流法的基础上添加跟踪失败自检测, 筛选出好的跟踪点, 跟踪加油锥套; 检测模块构建级联分类器, 对滑动窗遍历得到的图像块进行分类并返回含有目标的图像块, 融合跟踪模块的跟踪框, 给出最终跟踪结果; 学习模块引入P-N约束修正错误样本并学习更新检测模块。利用Creator/Vega Prime软件对空中加油进行视景仿真, 在视景仿真视频上测试锥套跟踪算法。结果表明: TLD算法跟踪加油锥套成功率达95.5%, 处理每帧平均耗时31.4 ms, 能够满足加油锥套跟踪鲁棒性、准确率、实时性的要求。

针对TLD算法的特征点无法有效表述目标问题, 提出了一种基于角点增强改进的TLD目标跟踪算法。改进算法在跟踪模块加入了对目标表述能力更强, 具有光照不敏感性和旋转不变性的Shi-Tomas角点作为跟踪特征点。跟踪器运行时, 在角点经光流法跟踪和双向误差检测后, 利用剩余的稳定角点定位目标窗口。对照结果表明, 改进算法在面对目标抖动和形变时可以稳定跟踪; 有效抑制因跟踪平滑点造成的漂移现象; 提高了跟踪的稳定性。针对TLD算法跟踪过程中因在线模板积累造成的计算量持续增大、实时性持续降低的问题, 提出了一种依据相似度中值的模板判断删除机制。该删除机制在模板积累到设定阈值时运行, 根据模板与当前目标的相似度, 删除不再具备代表性的模板; 调整模板空间并更新模板数目。实验表明, 该删除机制在应对模板更新快、持续时间长的跟踪情景时有效降低算法计算量, 实时性可提高约20%。