为解决工厂流水线上不同种类动态物品的快速精准抓取问题，提出一种两阶段动态多物品定位抓取方法。第1阶段采用所提多尺度上下文感知的单分支融合语义分割网络获取目标物品的掩码区域：首先特征提取网络采用单分支结构，在保证提取丰富的空间信息和高层语义信息的同时，减小网络参数量；随后特征融合网络通过双边引导特征融合模块增强空间信息和语义信息的表达能力；最后设计特征增强网络，通过特征辅助收敛模块嵌入浅层和深层网络中，加快网络收敛速度。第2阶段采用基于轮廓点检测的快速位姿估计策略在掩码区域预测最佳抓取点位姿。在自建数据集上的测试及流水线平台抓取实验结果表明，所提方法能实时检测和预测物品抓取点位姿，精准完成物品抓取，其分割精度、预测时间和抓取成功率均优于对比方法。

针对传统核相关滤波视觉目标跟踪算法在快速运动、背景杂波、运动模糊等情况下跟踪精度低且不能处理尺度变化的问题，提出了一种基于上下文感知和尺度自适应的实时目标跟踪算法。该算法在核相关滤波算法框架的基础上，引入了上下文感知和尺度自适应方法，增加了背景信息且能够处理目标的尺度变化。首先，利用融合了 fHOG(fusion histogram of oriented gradient)、CN(color names)和灰度的特征对目标区域进行采样，训练一个二维位移滤波器，然后，在目标区域建立尺度金字塔，利用 fHOG对目标区域进行多尺度采样，训练一个一维尺度滤波器，最后，在模型更新阶段改进了更新策略。在标准数据集 OTB-2015上对 100组视频序列进行的试验结果表明，提出的算法比基准算法(kernel correlation filter, KCF)精度提高了 13.9%，成功率提高了 14.2%，且优于实验中对比的其他跟踪算法。在尺度变化、运动模糊、快速运动等条件下，提出的算法在准确跟踪的同时，能够保持较高的速度。

目标外观的描述对相关滤波跟踪器的性能有很大的影响,单一特征难以准确描述目标外观,基于多特征的目标外观描述在复杂场景下有着更加优异的性能。为了提高复杂场景下目标跟踪的鲁棒性,提出一种基于多特征自适应融合与上下文感知的目标跟踪算法。首先引入上下文感知框架,提取目标周围4个上下文图像块的一层卷积特征作为背景信息。由于单一特征难以准确描述目标外观,采用两个相关滤波器来提取多种特征。第一个滤波器通过卷积神经网络提取三层卷积特征作为深度特征,第二个滤波器提取方向梯度直方图和颜色直方图信息作为浅层特征,然后自适应融合深、浅特征。最后,利用平均峰值相关能量来评估响应的置信度,并决定是否对模型进行更新。所提算法在OTB-2013数据集上进行测试,结果表明,该算法在准确率和成功率方面都有很好的表现,与其他优秀的跟踪算法相比,具有更好的跟踪性能。

针对上下文感知相关滤波跟踪算法中提取目标周围背景信息训练滤波器时,未考虑滤波器时间一致性的问题,当目标出现外观突变时,滤波器无法适应连续两帧图像中目标和背景信息的变化,易出现目标漂移等问题,提出一种自适应上下文感知相关滤波跟踪算法。首先,将目标周围的背景信息学习到滤波器中,增加滤波器对背景信息和目标的分类能力,加入时间感知项,保证学习连续两帧图像的滤波器尽可能一致。然后,采用线性插值法用于确定目标位置,模型更新阶段,引入遮挡判别依据平均峰值相关能量对目标是否遮挡进行判别。最后,在数据集OTB100上与当前主流算法进行大量对比实验。实验结果表明,本文算法在数据集OTB100上的精确率和成功率分别为0.798和0.722,与其他主流算法相比,本文算法在快速运动、遮挡、光照变化等复杂条件下也具有较好的跟踪效果。

为了减少目标跟踪过程中漂移情况的发生,提出一种基于高斯约束输出的上下文相关滤波跟踪算法。该方法通过假设跟踪目标的输出响应服从高斯分布,利用高斯分布的性质可以得出约束输出的具体表现形式;再利用约束输出和相关滤波知识可得到一个可迭代的滤波参数;根据设定的约束条件,对跟踪器中的滤波器进行选择性更新。采用OTB-2013评估基准中的50组视频序列验证了所提算法的有效性, 并与其他跟踪算法进行了对比。实验结果表明,所提算法的目标跟踪综合性能明显提升,并且相比于近年来的其他算法也有明显的优势。

针对传统相关滤波目标跟踪算法在目标快速运动、遮挡、复杂背景等情况下跟踪精度低的问题, 提出了一种自适应上下文感知的相关滤波目标跟踪算法。在相关滤波算法框架的基础上, 重点针对循环移位带来的边界效应与固定学习率进行改进: 首先,在分类器训练阶段提出一种基于响应图极值的自适应采样策略加入上下文信息;然后, 采用了一种分段学习率调整策略使算法更好地适应目标变化;最后,在标准数据集上验证了算法的性能。实验结果表明,提出的算法提高了DCF与SAMF算法的跟踪精度, 不仅在目标快速运动、遮挡、复杂背景等情况下鲁棒性较好, 而且还能作为一种框架集成到大部分相关滤波类算法中。

针对上下文感知相关滤波目标跟踪算法中, 上下文背景样本等值权重训练, 对背景信息滤波过于平滑的问题, 提出了一种自适应上下文感知相关滤波算法, 同时为了解决目标遮挡的问题, 引入一种新的遮挡判定指标。首先, 提取目标上下左右4个方向的背景样本学习到滤波器中, 利用卡尔曼滤波对目标运动状态进行估计, 预测目标的运动方向。在滤波器训练时, 对目标运动方向上的背景样本训练时赋予较多的权重; 接着, 在模型更新时引入一个新的遮挡判定指标APCE, 只有当响应峰值和APCE数值分别一定比例大于各自的历史均值时, 才对目标模型进行更新; 最后将本文算法与当前一些主流的跟踪算法在CVPR 2013 Benchmark进行对比实验。仿真实验结果表明, 本文算法的精准率和成功率分别为0810和0701, 均优于其他算法, 充分体现出了本文提出算法的鲁棒性。

为了解决背景嘈杂、遮挡、形变和尺度变化情况下目标跟踪问题, 提出利用视觉显著性和扰动模型的上下文感知跟踪。本文以相关滤波算法为基础, 将目标周围的上下文信息引入到分类器学习过程中, 构造了上下文感知相关跟踪, 提高了算法鲁棒性; 同时引入直方图扰动模型, 利用加权融合的方法获得目标响应图, 以此估计目标位置变化; 最后利用视觉显著性构建目标稀疏显著性图, 解决严重遮挡情况下的目标重定位问题, 并利用尺度估计策略解决目标尺度变化问题。利用公开数据集测试算法性能, 并与8种流行跟踪算法进行比较。实验结果表明, 本文算法的跟踪精确度得分和成功率得分分别为0.695和0.708, 均优于其它算法。与传统的相关滤波算法相比, 所提算法能很好地解决背景嘈杂、遮挡、形变和尺度变化等复杂下的目标跟踪问题, 具有一定理论研究价值和工程实用价值。