遮挡问题是导致目标跟踪任务失败的重要因素，如何提升算法的抗遮挡性能是跟踪领域的研究热点。本文首先剖析了遮挡易导致跟踪失败的原因，论述了构建强判别性的鲁棒目标模型对提高跟踪算法抗遮挡性能的重要意义，分析了抗遮挡目标模型的构建方案。其次依据目标模型利用的信息类型，将代表性抗遮挡性能较优的算法分为基于有效特征信息、状态估计信息与稳定时空信息三类。而后详尽分析了基于卡尔曼滤波、粒子滤波、局部空间信息、时间上下文信息、时空上下文信息跟踪算法的抗遮挡思路方案、适用遮挡场景、优缺点及改进方案。最后通过不同类型算法在遮挡场景下的跟踪性能比较，对目标模型构建方案抗遮挡的有效性提出思考与分析，并指出学习语义信息轻量化网络设计、场景上下文预测、仿生视觉机理的应用发展方向。

针对核相关滤波(KCF)目标跟踪算法在目标发生尺度变化和受到遮挡时无法保证对目标长时间跟踪的问题，提出了一种尺度自适应抗遮挡的长时间目标跟踪算法。首先，将方向梯度直方图(HOG)特征和颜色(CN)特征进行融合并增加一个尺度滤波器用于估计目标的尺度;然后，引入平均峰值相关能量指标(APCE)进行遮挡判断，采用SVM分类器重新检测目标被遮挡后的位置; 最后，根据平均峰值相关能量和位置滤波器最大相关响应值选择模型更新策略。选取OTB100和UAV123两个数据集进行实验，结果表明，改进算法能有效地解决目标尺度变化和遮挡等问题，实现对目标的长时间稳定跟踪。

为了解决目前跟踪算法在运动目标被遮挡和尺度变换时跟踪效果不佳的问题，提出了一种结合粒子滤波的判别尺度空间跟踪算法。提取相邻两帧的目标区域，计算目标区域的结构相似性并与更新阈值进行比较，从而判断目标是否发生遮挡；其次，若发生遮挡，启用基于颜色分布的粒子滤波算法跟踪目标，反之，用判别尺度空间跟踪算法(DSST)中的位置滤波器确定目标位置；最后，利用尺度滤波器确定目标尺度并根据目标尺度更新粒子滤波的目标模型。经过在OTB2015测试集上进行实验，与判别尺度空间跟踪算法(DSST)、核相关滤波算法(KCF)等主流算法相比该算法的精确度和成功率均有所提高，尤其在发生遮挡后的跟踪效果表现最优。

为了解决特征融合目标跟踪(Staple)算法在复杂场景中固定权重融合方式的局限性,在其基础上进行改进并引入通道置信度,提出了一种自适应特征融合与通道加权的抗遮挡相关滤波跟踪算法。先引入多维特征描述,根据每个通道上滤波模板的响应峰值,计算通道权重;再根据特征模型的响应结果,计算模型的可靠性,确定模型的融合权重,从响应结果的角度完成特征融合;最后根据历史帧的平均峰值相关能量,以及当前帧图像与前一帧图像的均方误差,来判断目标的遮挡情况,并进行模型更新。在OTB-2013和OTB-100数据集上进行实验,与Staple算法相比,所提算法的成功率和精确度均有所提高,并在多项具有挑战的属性上表现较佳。

光电跟踪系统经常会遇到各种复杂环境，如导弹尾焰、相似目标的出现等，这就导致仅仅依赖跟踪算法的优化无法解决遇到的上述问题。对多个跟踪策略进行优化研究，采用归一化相关对遮挡进行判断，并提出双波门跟踪和航迹滤波的处理算法。实验证明，经过优化改进后可以稳定跟踪复杂环境下的目标，提高了跟踪的鲁棒性。

相关滤波目标跟踪算法是基于目标模板与待测图像之间的相关性大小来实现目标的定位与跟踪,核相关滤波器(KCF)的提出更将其推向了新的高度。然而,通过对KCF算法的深入研究发现,相关滤波器在抗遮挡性能方面有着严重的不足,尤其是在目标短暂消失的情况下十分容易出现跟踪丢失的情况。为了解决这个问题,提出了一种将KCF与前后向误差检测算法相结合的方法,通过前后向误差算法检测遮挡现象,并在遮挡发生后及时保留原目标模板,最后进行小范围的预测并结合原模板重新定位目标位置。实验表明,此方法能有效解决目标短暂完全消失的遮挡状况,并在目标重新出现后进行有效的追踪。

针对时空上下文(STC)算法在抗遮挡目标跟踪中的不足，提出使用上下文模型相似度作为判别遮挡的条件和改进上下文模型更新方程的修正系数，同时采用预测算法修正搜索区域，构建了一种基于时空上下文跟踪的抗遮挡目标跟踪算法，并通过标准目标跟踪视频库对原算法和改进后算法的跟踪性能进行仿真和对比。实验证明，在原算法的基础上提高了抗遮挡跟踪的鲁棒性，在一些图像序列中跟踪成功率的提高最高可达30%。

针对相关滤波类跟踪算法难以解决的过度形变和目标被遮挡问题, 提出了一种融合改进均方峰值旁瓣和客观相似性度量的高置信度跟踪算法-HCF。基于核相关滤波跟踪算法, 结合传统相关运算的峰值旁瓣比与感知哈希算法客观度量所跟目标, 对遮挡和形变等复杂情况进行高置信度判断, 进而自适应的选择模型更新率, 克服模型漂移问题; 另外, 利用尺度池算法解决跟踪中的尺度估计问题, 进一步提高了算法的稳健性。通过OTB-2015数据集测试表明: 提出的HCF算法能精准判别出由于遮挡形变等情况导致的无效跟踪, 相比于当前主流的鲁棒性跟踪算法, 具有更优秀的性能和表现。本文的创新工作为跟踪领域中的目标准确度判别问题提供了新的思路。

为有效地处理目标跟踪中的目标尺度变化、光照变化和局部被遮挡问题，采用分块跟踪策略，跟踪目标上的多个跟踪点，通过前后两帧图像间多对对应跟踪点之间的距离变化量确定目标尺度的变化量和位移量。在目标被遮挡的情况下，利用未受遮挡影响的跟踪点的位置信息和时空上下文信息计算目标跟踪点位置。采用高效而精确的STC（Spatial Temporal Context）跟踪算法跟踪单个跟踪点，保证算法的实时性和跟踪点定位的准确性。实验结果表明，提出的分块跟踪算法不但实时性较好，跟踪精度较高，具有抗光照变化和抗局部遮挡能力，而且算法原理简单，能够适应多种跟踪环境。

针对增量视觉跟踪(IVT)算法无法对受遮挡目标进行有效跟踪的问题，提出了一种改进的IVT 目标跟踪算法。该算法对IVT 算法中目标外观模型表示单一的问题进行了改进，对目标外观采用混合表示方法。若目标未被遮挡则使用增量主成分分析与高斯观测噪声进行表示，反之则使用连续均匀概率分布进行表示，对混合模型进行能量最小化求解来实现对目标的跟踪。实验结果表明，该算法在跟踪过程中具有较好的抗遮挡性能，同时能够实现对目标的实时跟踪。