在面对光照变化、部分遮挡、背景杂乱和平面内外旋转等跟踪难点时, 跟踪学习检测算法(Tracking-Learning-Detection, TLD)容易产生漂移导致跟踪失败, 其跟踪性能还有待提高。在传统TLD算法的基础上, 提出一种基于人工鱼群粒子滤波的TLD改进算法。首先使用人工鱼群粒子滤波跟踪器代替金字塔光流跟踪器, 将颜色直方图特征和方向梯度直方图特征进行融合, 建立目标表观模型, 引入图像金字塔多尺度思想进行尺度匹配, 提高目标跟踪的稳健性。然后通过粒子滤波过程预测目标区域, 将TLD算法检测模块的全局扫描改进为局部扫描, 剔除大量非目标区域, 提高检测模块的检测效率。实验结果表明: 基于人工鱼群粒子滤波的TLD改进算法具有良好的跟踪性能, 与传统TLD算法相比, 其平均成功率和精准度分别提高了19.04%和28.00%, 平均跟踪速度可达33.87 FPS, 提高了38.78%。

针对红外单目标在长期跟踪过程中的强背景干扰、遮挡、形变以及目标特征信息减弱等实际问题，提出了一种基于跟踪 -学习-检测（Tracking-Learning-Detection，TLD）框架的红外目标 稳定跟踪方法。该方法在压缩跟踪算法（Compressive Tracking，CT）的基础上替换广义的类 Harr特征为 HOG特征，引入互补随机测量矩阵，优化纹理和灰度特征信息的权重，同时引入卡尔曼滤 波器记录空间上下文位置信息，以解决 CT算法和 TLD算法在目标被遮挡时的跟踪失效和全局检索问题。基于 TLD算法框架和改进 CT算法相结合的红外图像跟踪算法有效地解决了遮挡和强干扰问题 ，提升了算法的跟踪准确性和长期跟踪稳定性。实验结果表明，本文提出的算法在红外地面环境中能较好地实时稳定跟踪并保持良好的准确性和鲁棒性。

为提升TLD 目标跟踪算法的处理速度，以达到在更高分辨率视频中跟踪目标的实时性要求，在TLD 算法框架的基础上，提出了一种基于动态捕获区域的TLD 目标跟踪算法(DC-TLD)。算法采用前一帧目标位置作为当前帧目标位置的预测值，减小了目标位置的预测误差。研究了检测区域负样本出现需满足的条件，分析了检测区域大小对算法鲁棒性的影响。针对样本的访问方式，提出基于索引的访问方法，极大地减少了访问时间。实验结果表明，该方法不仅有效降低了TLD 算法的样本检测时间，而且提高了算法的鲁棒性。

为提升TLD目标跟踪算法的每帧处理速度, 以达到在更高分辨率视频中跟踪目标的实时性要求, 在TLD算法框架的基础上, 提出了一种基于自适应尺度检测学习的目标跟踪算法(AS-TLD)。当跟踪目标成功时,选取当前帧跟踪到的目标尺度及几个相邻的尺度作为下帧检测目标时滑动窗口尺度的选取范围; 而当跟踪失败时, 则选取在TLD算法初始化阶段, 根据跟踪目标及视频图像大小选定的尺度来保障长时间跟踪目标, 从而有效减少了平均每帧扫描的窗口数量。实验结果表明, 该方法不仅有效地降低了检测模块的检测时间, 显著提高了整体算法速度, 而且通过动态选取尺度, 在一定程度使得TLD各个模块更加协调, 跟踪精确度得到提升。

为提高复杂环境下TLD(Tracking-Learning-Detection)算法的跟踪精度和速度, 提出基于二值化规范梯度(BING)的高效TLD目标跟踪算法。在跟踪器中引入基于时空上下文的局部跟踪器失败预测方法和全局运动模型评估算法, 提高了跟踪器准确度和鲁棒性; 用BING算法取代滑动窗口搜索策略, 结合级联分类器实现目标检测, 减少了检测器的检测范围, 提高了检测的处理速度; 将训练样本权重整合到在线学习过程中, 改进级联分类器的分类准确度, 解决了目标漂移问题。对不同的图片序列实验结果表明: 本算法的跟踪正确率达85%, 帧率达19.79 frame/s。与原始TLD算法及其他主流跟踪算法相比较, 该算法在复杂环境下具有更高的鲁棒性、跟踪精度及处理速度。