为了减少有效卷积算子(ECO)跟踪算法的特征提取网络参数量和计算量, 采用了一种基于端侧神经网络(GhostNet)改进的ECO目标跟踪算法。首先, 采用GhostNet网络作为主干特征提取网络提取图像浅层与深层的卷积特征, 运用全局平均池化对卷积特征下采样增加特征对图像的表征能力; 其次, 将卷积特征与手工特征插值后, 与当前滤波器在傅里叶域进行卷积计算实现目标定位; 最后, 采用共轭梯度算法优化响应误差与惩罚项之和的损失函数实现滤波器更新。在上述提出的算法和OTB2015与VOT2018数据集上进行了理论分析和实验验证, 取得了目标跟踪的对比实验数据。结果表明, 相对于基于ResNet特征提取网络的ECO算法, 该算法在实现高精度跟踪时, 卷积特征提取过程计算量减少了95.75%, 参数量减少了79.69%, 跟踪过程速度提升了160%。这些结果为轻量级目标跟踪算法的研究提供了参考。

针对在复杂环境中目标尺度变化、形状变化以及场景光照变化、背景干扰等因素导致的目标跟踪稳定性下降问题,提出一种基于自适应多层卷积特征决策融合的目标跟踪算法。首先,通过卷积神经网络VGG-Net-19提取目标候选区域的多层卷积特征;其次,在相关滤波模型框架下,利用这些卷积特征构建多个弱跟踪器;接着,根据每个弱跟踪器的决策损失变化自适应地调节它们的决策权重,完成基于多层卷积特征的目标位置估计;然后,根据尺度相关滤波模型在目标中心区域进行多尺度采样,并利用相邻帧的尺度变化先验分布完成对目标尺度的预测。选取51组具有多种挑战因素的视频序列对所提算法的跟踪性能进行测试。实验结果表明,与当前主流的目标跟踪算法相比,所提算法取得了更高的跟踪精度和成功率,同时可以较好地适应目标的尺度变化,并且在目标发生形变、场景出现光照变化及背景干扰等复杂条件下仍具有较好的跟踪鲁棒性。

针对传统手工特征表达能力不足和滤波器模型存在误差累积的影响,提出一种融合多层卷积特征自适应更新的目标跟踪算法。该算法采用分层卷积神经网络提取图像特征,利用线性加权的方法融合多层卷积特征预测目标位置;利用多尺度下目标卷积特征确定目标最佳尺度;利用平均峰值相关能量评价目标响应的置信度,根据相邻两帧目标图像的帧差均值和位移评估目标的运动情况,根据预测位置可信度和目标图像外观变化,调整滤波器模型的学习率。在OTB-2013公开测试集上验证本算法性能,并与现有基于相关滤波的主流运动目标跟踪算法进行相比,实验结果表明,本算法在精度和成功率上表现更优,且在复杂情况下稳健性更强。

对红外图像中的目标跟踪时，复杂的背景信息以及目标像素数较少等因素增加了红外目标跟踪难度，目标区域的图像块缺乏特征信息使得普通跟踪算法较易产生跟踪偏移问题。为解决此问题，提出了一种基于粒子滤波框架下的卷积特征选择的红外目标跟踪算法。首先，在初始目标块上提取少量图像块作为滤波器，进而获得表征能力更强的卷积特征。然后，采用在线提升算法对该特征进行选择，增加跟踪算法的精度和执行效率。最后，将贝叶斯分类器的响应作为粒子权值估计出目标状态。实验结果验证了所提算法的跟踪性能优于其他几种传统算法。

为了进一步提高目标跟踪算法中目标定位的精确度, 提出了一种基于多层卷积特征的目标跟踪算法。该算法首先利用VGG-Net-19的多层结构提取待测图像的多层卷积特征, 通过相关滤波方法获取多层卷积特征并对其进行加权融合, 从而确定目标的真实位置。然后通过结合多层卷积层以及全连接层的特征, 在目标表示效果上有明显提升, 在保证跟踪效率的同时提高精确度。实验结果表明, 与目前主流的HCF、MEEM、KCF、Struck四种目标跟踪算法对比, 该算法取得了优于其他方法的精度与成功率, 距离精确率提高了2～20%, 与OPE、SRE以及TRE的结果具有一致性。

为提高复杂场景中目标跟踪算法的准确性与实时性,提出一种基于多层深度卷积特征的抗遮挡实时目标跟踪算法。针对目标跟踪任务,先对深度卷积网络VGG-Net-19进行微调,再提取目标区域的多层深度卷积特征。根据相关滤波框架构建位置相关滤波器,确定目标中心位置。设计尺度相关滤波器对目标区域进行不同尺度采样,确定目标尺度。目标遮挡时,采用阶段性评估策略进行模型更新与恢复,解决模型误差积累问题。选取目标跟踪评估数据集OTB-2015(100组视频序列)与UAV123(123组视频序列)进行测试。实验结果表明,本文算法具有更高的准确性,能够适应目标遮挡、外观变化及背景干扰等复杂情况,平均速度为29.6 frame/s,满足目标跟踪任务的实时性要求。

在外部环境和图像视角变化的情况下,传统视觉闭环检测算法的精度和稳健性变得很差。为此,提出一种融合多层次卷积神经网络特征的闭环检测算法。高层次的卷积特征包含较多的语义信息,可以应对图像视角的变化;中等层次卷积特征包含更多的几何空间信息,对光照等变化具有更好的稳健性。通过充分利用中高等层次卷积特征的特性进行组合式相似性度量,提高了闭环检测的精度与稳健性。由于卷积特征向量的维度特别大,因此,首先对卷积特征向量进行降维处理。在Gardens Point数据集上的实验结果证明,利用多层次卷积特征的图像匹配检测效果好于其他单一层。针对不同时刻所拍摄图像中的动态干扰因素,进一步提出图像动态干扰语义滤波机制,利用过滤掉动态干扰的图像进行匹配,在Tokyo24/7数据集上的实验证实了此方法的可行性和有效性。

针对航拍图像中对地小目标识别率低、定位效果差的问题，提出了一种基于深度学习的目标检测算法。该算法利用VGG16网络作为微调网络，并添加部分深层网络，通过提取目标浅层特征与深层特征进行联合训练，克服检测过程中定位与识别相互矛盾的问题。提出把奇异值分解技术应用于卷积特征压缩处理，降低模型的计算与存储需求，并且采用多尺度训练方法以适应航空目标尺度的变化。实验结果表明，在通用数据集PASCAL上可以实现0.76 mAP，检测速度达16 fps，在专用航空目标数据集UCAS-AOD上可以实现0.63 mAP,检测速度达18 fps。基本满足对小目标检测精确度的要求，并且检测速度可以接近实时检测效果。

如何充分利用各级卷积特征是当前显著性检测研究的关键问题。就此提出一种基于融合全部卷积层特征的全卷积神经网络显著性检测方法。首先, 将全部卷积特征映射到内部的多个尺度中, 在每个尺度上联合各级卷积特征预测显著图; 然后, 融合各尺度的显著图, 得到融合显著图; 最后, 通过全连接条件随机场平滑显著图和优化显著边界。实验结果表明, 该方法在ECSSD和SED2数据库上具有较高的准确率、召回率和较低的平均绝对误差, 可为目标识别、机器视觉等应用提供更可靠的预处理结果。