鉴于传统的跟踪学习检测(TLD)算法存在稳健性差、跟踪成功率低以及运算效率低等问题,提出一种结合二进制稳健不变可扩展关键点(BRISK)特征点与区域预估的TLD跟踪算法。在跟踪器中引入BRISK特征点,将其与传统的用于跟踪的普通像素点相结合,共同用于目标跟踪,由于BRISK特征点提取较快,从而使得跟踪器部分的总体运算时间降低;在检测器部分采用了卡尔曼滤波器与马尔可夫模型方向预测器相结合的方式,该方式使得最终送入到检测器的子图像块数量大幅缩减,且对相似目标的辨别能力增强,进而提升了检测器的速度和精度。实验结果表明,相比于传统TLD算法,所提TLD算法的跟踪精度提高约64.4%,运行速度提升约39.6%,并具有更好的稳健性。

粒子滤波广泛应用于对精度和稳定性要求较高的目标跟踪，但其计算量大，并且计算复杂度随着状态量和粒子数目增长迅速增加。将目标跟踪转化为由粗到精的搜索过程，提出了一种基于精确运动模型的改进分层卡尔曼粒子滤波算法。该方法利用加速度的运动模型在真实目标位置的周围估计目标的散布范围，并在该范围内随机生成粒子，寻找精确的目标位置。文中引入加加速度模型主要是由于现有方法的状态量阶数不足，导致模型精确度较低，无法应对大机动目标的跟踪。因此，引入了高阶状态变量加加速度，并将其用于改进分层卡尔曼粒子滤波的运动模型。利用分层卡尔曼粒子滤波、粒子滤波以及提出的方法进行了跟踪试验，结果表明，基于精确运动模型的改进分层卡尔曼粒子滤波模型的跟踪方法能够提高线性运动的预测精度，实现复杂环境下精确稳定的跟踪。