提出一种跨模态光学信息交互和模板动态更新的可见光和热红外（RGBT）跟踪方法，选取能够在跟踪速度和精度上取得平衡的Siamese跟踪器作为基本框架，并设计特征交互模块以重构不同模态的信息比例和增强模态间信息交流。在此基础上，基于无锚框的思想构建预测网络，以提升跟踪器的灵活性和通用性，同时提出一种模板动态更新的策略，通过动态更新跟踪模板增强模型对变化目标的适应能力。在GTOT等3个基准数据集上的对比实验表明，所提方法可显著提升跟踪器在复杂环境下的目标跟踪性能。

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。

针对SiamMask不能很好地适应目标外观变化，特征信息利用不足导致生成掩码较为粗糙等问题，本文提出一种基于自适应模板更新与多特征融合的视频目标分割算法。首先，算法利用每一帧的分割结果对模板进行自适应更新；其次，使用混合池化模块对主干网络第四阶段提取的特征进行增强，将增强后的特征与粗略掩码进行融合；最后，使用特征融合模块对粗略掩码进行逐阶段细化，该模块能够对拼接后的特征进行有效的加权组合。实验结果表明，与SiamMask相比，本文算法性能有明显提升。在DAVIS2016数据集上，本文算法的区域相似度和轮廓相似度分别为0.727和0.696，比基准算法提升了1.0%和1.8%，速度达到40.2 f/s；在DAVIS2017数据集上，本文算法的区域相似度和轮廓相似度分别为0.567和0.615，比基准算法提升了2.4%和3.0%，速度达到42.6 f/s。

基于深层孪生网络的目标跟踪算法普遍缺乏目标模板在线更新方法,从而在某些复杂应用场景中适应能力较差。针对这一问题,提出一种基于光流映射的目标模板在线更新算法,该算法能够在保证实时性的前提下有效提高对复杂场景的适应能力。首先在跟踪过程中计算模板帧之间的光流信息;其次由光流映射和残差计算获取目标的运动变化信息。除此以外,还提出一种基于奇异值分解的由初始帧生成的修正项以修正目标位置偏差的方法。在OTB100和VOT2016数据集上对所提算法进行测试评估,结果显示,所提算法可以较好地优化新生成的目标模板,增强算法的鲁棒性,且与现有的跟踪算法相比,所提算法结果更佳。

目标跟踪技术是一项富有挑战性的研究课题, 在红外成像搜索、红外精确制导、智能监控、运动识别等领域有着广泛的应用。文中提出了一种基于稀疏表示多子模板的鲁棒目标跟踪算法。首先, 提出一种基于自适应辨别信息的子模板选择方法, 最大限度地捕捉目标的结构信息, 提高模板子块的整体描述; 针对直方图对光照敏感的缺点, 引入了稀疏表示理论对子模板进行描述, 提高模板子块的表达能力和适应能力; 其次通过构造表决图的形式对目标位置进行表决和融合决策; 最后设计了一种动态的子模板更新策略, 来有效地应对目标外观模型的变化。在大量测试图像序列中的仿真实验表明, 文中所提算法可以有效应对形变、光照变化、部分遮挡、完全遮挡以及虚假目标干扰和背景干扰, 具有较高的鲁棒性。

针对遮挡、目标形变、噪声干扰等复杂场景下目标跟踪问题,提出了一种基于最大邻近距离( Maxium Close Distance, MCD )的抗遮挡快速跟踪算法,定义了灰度差异和最大邻近距离相结合的相似性度量方法,并根据相关系数自适应更新目标模板,利用多十字交叉快速搜索方法加速目标匹配的过程。当目标被遮挡时,采用Kalman预测滤波算法预测目标位置,维持目标的跟踪。实验结果表明,该算法能实现遮挡情况下的目标跟踪,目标跟踪精度优于8个像素,为遮挡、目标形变、噪声干扰等复杂场景下目标实时跟踪提供了一种解决方法。

针对模板匹配算法计算量大,难以解决目标形变、光照变化、遮挡等情况下的跟踪问题,提出了一种结合Kalman滤波的模板匹配跟踪算法。通过Kalman滤波预测下一帧图像中目标的位置,缩小目标搜索范围,以减少模板匹配计算量,满足目标跟踪的实时要求。采取自适应模板更新策略,根据目标的变化情况更新模板。在目标被短暂遮挡时,采用Kalman滤波预测目标的状态,继续稳定跟踪。实验结果表明,算法明显优于单独使用模板匹配算法,当目标被遮挡时仍可以稳定、实时跟踪,具有良好的鲁棒性。

目标跟踪中, 目标的背景变化、形状改变、遮挡, 往往会导致跟踪失败, 而跟踪的实时性和准确性是必须考虑的问题。本文首先对 Mean Shift算法进行了介绍, 接着对 Mean Shift算法进行了优化：修正 Mean Shift算法迭代权值, 修正后主要信息贡献更加突出, 次要信息受到抑制, 避免了开方的繁琐运算, 降低了运算量。提出了目标模板更新算法, 解决了背景变化和目标形状改变时跟踪失败的问题。然后在水平位置和竖直位置建立 Kalman滤波器, 同时将优化 Mean Shift算法与 Kalman滤波融合, 解决了目标完全遮挡后无法继续跟踪的问题。仿真实验表明, 本文提出的目标跟踪算法在目标遮挡, 目标形状改变, 目标跟踪失败的情况下具有更高的跟踪精度, 更高的实时性和鲁棒性。

在目标跟踪领域基于模板相关匹配的跟踪算法是一种非常实用而且有效的方法, 但是由于目标表面在运动过程中经常会发生变形, 因此需要使用模板刷新的方法来适应目标的变形。而普通的模板刷新策略又会导致模板漂移, 为了减少这种刷新策略带来的漂移, 对于扩展目标, 利用其拥有较多细节的特点, 提出了一种基于尺度不变特征变特征点的方法, 将发生仿射变换的模板与原始模板的比较, 利用比较的结果来决策刷新模板的时机, 实验表明该方法对于扩展目标的跟踪来讲, 该方法能够很有效而合理刷新模板, 减少模板漂移, 提高了跟踪精度。

针对传统的序列图像目标跟踪方法难以适应复杂背景干扰、目标形状变化以及目标位置非规则抖动的问题, 提出了一种基于加权 Lucas-Kanade算法的目标跟踪新方法。首先引入搜索模板, 估计出目标在实时图像中的位置并将其作为加权 Lucas-Kanade算法的迭代初始值, 然后计算权值函数, 利用当前模板和初始模板进行两次跟踪, 得到目标的准确位置。最后实现了在目标形状及背景变化下的三种模板更新。大量实测数据的实验结果表明, 本文所提的方法有效地实现了对地面复杂场景中形变目标的稳定跟踪。