针对孪生架构单目标跟踪算法存在的目标状态更新不及时的问题，基于模板与记忆信息动态融合的跟踪策略，提出一种通用的模板更新机制。该机制采用双模块融合的更新策略：通过记忆融合模块融合搜索图像特征的短期记忆信息，获得目标变化情况；将前一帧可信的跟踪结果作为动态模板，从相关特征的角度，通过权重融合模块对原始模板和动态模板进行加权融合，通过结合跟踪过程的原始记忆与短期记忆实现更准确的目标定位。将模板更新机制应用于SiamRPN、SiamRPN++和RBO三种主流算法，并在VOT2019公开数据集上进行实验验证。结果表明：应用该机制后算法的性能得到了有效提升，具体而言，在SiamRPN++算法中，平均重叠期望值提升了6.67%，准确性提升了0.17%，鲁棒性下降了5.39%；此外，在遮挡、形变和背景干扰等复杂场景下，添加模板更新机制的SiamRPN++算法展现出较好的跟踪性能。

环境感知是无人驾驶的关键技术，针对相机缺乏深度信息无法定位检测目标以及目标跟踪精度较差的问题，提出一种基于相机与激光雷达融合的目标定位与跟踪算法。该算法通过图像检测框内的激光雷达点云簇在像素平面的面积比例大小获得检测目标的定位信息，然后根据检测目标的轮廓点云在像素坐标系下的横向移动速度和纵向移动速度融合图像检测框中心坐标提高目标跟踪精度。实验结果表明：所提目标定位算法正确率为88.5417%，且平均每帧处理时间仅为0.03 s，满足实时性要求；图像检测框中心横坐标的平均误差为4.49 pixel，纵坐标的平均误差为1.80 pixel，平均区域重叠率为87.42%。

利用传统的暹罗网络跟踪算法进行目标跟踪时, 目标位置远离特征图中目标的中心位置会降低跟踪性能指标, 使得跟踪效果不佳。针对该问题, 提出了一种改进的暹罗自适应网络(SiamBAN)算法, 即引入中心预测网络来判断特征图上目标位置与目标中心点的距离, 两者间的距离越大, 中心度得分越低, 改进算法去除响应异常值的能力越强。通过OTB100, VOT2016和VOT2018数据集将改进的SiamBAN算法与主流跟踪算法进行对比分析, 结果表明, 改进的SiamBAN算法能有效抑制响应图中的异常值, 显著提高跟踪性能指标。

单目标跟踪作为一项关键的计算机视觉任务在工业与**领域具有重要作用，从以图像特征为核心的传统方法发展到以网络结构设计为中心的深度学习方法，展现出了较大的研究价值。对单目标跟踪的发展过程进行了总结：首先介绍了一些主流的数据集；接着将以速度为优势的相关滤波方法和以精度高为特色的深度学习类方法作为主要脉络，对其中一些基准方法与高性能方法的设计思路进行了研究分析；最后对各种结构的方法进行了总结，并对今后的研究趋势作出展望。

汽车雷达基于电磁波信号感知路况, 具有全天时、全天候、低成本等优点, 是未来智能化交通和自动驾驶的重要传感器。其中, 高精确度目标测距、测速, 高分辨力角度估计和多扩展目标跟踪是汽车雷达领域的研究重点。本文针对汽车雷达波形、天线设计、测角算法以及目标跟踪算法等关键模块和主要设计思路进行梳理, 结合雷达抗干扰、MIMO编码、扩展目标状态估计等技术难点, 介绍并归纳了近几年代表性的文献, 旨在为以后的研究提供参考和依据。

针对传统的交互多模型滤波算法中存在模型概率固化导致跟踪精度不高的问题, 提出了基于改进交互多模型滤波的目标跟踪波形优化算法。首先,通过联合前后两个时刻的模型概率对概率转移矩阵进行加权来改进交互多模型滤波; 然后,基于帐篷映射以及高斯扰动对秃鹰搜索算法进行改进; 最后,在多目标场景下根据最大互信息准则, 利用改进的交互多模型滤波建立目标函数, 使用改进的秃鹰搜索算法设计出最优发射波形。仿真结果表明, 使用所提算法可显著降低跟踪误差。