基于深度学习的目标跟踪算法将卷积深层输出结果作为特征,虽然准确度高但耗时长;基于融合特征的目标跟踪算法按照响应值融合目标特征,虽然跟踪速度快,但降低了准确度。为了兼顾目标跟踪算法的时效性和准确度,提出基于相似性特征估计的目标跟踪算法。首先利用重要性重采样滤波粒子构建目标观测模型,其中包括选择粒子状态、转移系统状态、构建观测模型、粒子权值更新以及重采样过程。在此基础上,提取目标的统计纹理特征、运动尺寸特征以及运动速度与方向特征,并融合目标特征构建目标特征框架。结合相似性特征估计完成目标定位,包括描述目标模型、表示候选模型、度量目标具体相似度以及目标定位过程。在完成目标定位后,基于实时压缩实现目标跟踪。本文算法的跟踪准确度均在90%以上,跟踪过程耗时保持在450ns以下,性能优于基于深度学习和融合特征的目标跟踪算法。本文算法能够快速、准确实现对目标的跟踪,应用优势较强。

为了提取含有噪声的激光扫描距离图像中的特征，提出了一种多尺度自适应滤波方法。该方法由特征估计和多尺度滤波两部分组成。利用无嗅卡尔曼滤波器构建自适应特征估计器，估计扫描点间的几何拓扑关系，并用估计过程中所获得的Mahalanobis距离构建扩散滤波核，对原始距离像进行多尺度滤波处理。为了能够仅依靠单一模型实现对环境中不同几何元素的有效估计，介绍了一种根据距离像局部特性进行自适应调整的曲线估计模型。试验结果表明，在噪声方差为2.25×10-4 m2时，经自适应滤波处理后的图像的最高峰值信噪比增益达10.55 dB，均方误差减小58.24%。与基于固定模型的滤波相比，本文所述自适应模型滤波法能够使特征提取的正确率提高10%，而时间消耗减少55%。