针对传统的相关滤波算法在红外目标跟踪过程中, 目标被完全遮挡后跟踪失效的问题, 提出一种结合了多尺度滤波跟踪器和基于深度学习检测器的目标实时跟踪抗遮挡算法。首先使用跟踪器跟踪目标, 计算目标的峰值响应强度并比较峰值响应强度与经验阈值的大小以判断目标是否被遮挡或跟踪丢失。然后当目标被遮挡或跟踪丢失时, 停止更新跟踪器, 由于目标被遮挡后再次进入画面的位置可能会发生巨大变化, 并且跟踪器在整个图像中搜索目标的速度特别慢, 因此在不降低跟踪精度和速度的情况下, 后续帧中采用了检测器检测目标并得到多个目标框。利用检测器得到的目标框, 分别利用跟踪器进行相关滤波, 针对每个目标框得到一个峰值响应强度, 其中峰值响应强度最大且超过经验阈值的目标框即为重新进入画面的目标。通过与多尺度相关滤波算法比较, 所提算法在满足实时跟踪的情况下, 能有效地解决红外目标被遮挡的问题, 具有更高的鲁棒性和精确度。

本文针对目标跟踪应用, 提出了基于 Siamese-FC跟踪网络的改进卷积网络 Siamese-MF, 意在更进一步提升跟踪速度和准确性, 满足目标跟踪的工程应用需求。对于跟踪网络, 考虑速度和精度的权衡, 减少计算量, 增加卷积特征的感受野是改进跟踪网络的速度和精度的方向。在卷积网络结构上面进行改进结构创新, 改进主要集中为两点: 1) 引入特征融合, 丰富特征; 2) 引入空洞卷积, 减少计算量的同时增强感受野。 Siamese-MF算法实现了对于复杂场景目标的实时准确跟踪, 在公开数据集 OTB上测试速度达到平均 76 f/s, 跟踪成功率的均值达到 0.44, 而跟踪稳定性的均值达到 0.61, 实时性、准确性和稳定性均提升, 满足目标实时跟踪应用。

本文针对飞机目标，提出了基于多域网络(MDNet)的改进网络用于飞机跟踪的快速深度学习(FDLAT)跟踪网络，使用迁移学习弥补目标跟踪的小样本集缺陷。卷积层作为特征提取层，全连接层作为目标和背景的分类层，采用特定的飞机数据集来更新网络参数。训练完成之后，结合回归模型，采用简单的线性更新对飞机进行跟踪，算法实现了飞机旋转、相似目标、模糊目标、复杂环境、尺度变换、目标遮挡以及形态变换等复杂状态的鲁棒跟踪，速度达到平均20.36 f/s，在ILSVRC2015 飞机检测数据集上成功率均值达到0.592，基本满足飞机实时跟踪。

针对当前红外目标检测与跟踪算法存在场景自适应能力弱、专用性强, 以及在大视场条件下, 首帧图像中小目标误检率高的问题, 提出一种红外序列图像目标自适应阈值分割、检测与跟踪方法.选取目标移动速度、目标轮廓的面积和周长、以及自适应分割阈值与感兴趣区域位置为动态变量, 建立动态决策准则.采用首帧目标检测算法计算出序列图像的第一帧图像目标的静态变量和部分动态变量, 再采用改进的局部自适应阈值分割算法分割后续帧图像, 然后利用静态与动态决策准则筛选出分割后的真实目标, 最后计算并更新动态决策准则.红外靶标测试结果表明：该方法对不同场景具有较好的适应性, 四个场景平均跟踪准确率为95.81%, 微机平台平均每帧处理时间为10.93 ms, 嵌入式平台为26.79 ms.

现有的跳频信号处理方法往往需要积累足够长的样本数据, 缺乏实时快速运算的能力, 无法处理高速跳频信号。在小样本条件下提出一种跳频信号实时跟踪和参数估计方法。根据跳频信号的频域稀疏性建立信号模型, 引入稀疏贝叶斯学习 (SBL)算法解决多观测向量 (MMV)信号重构问题。在构建新的判决统计量基础上, 推导一种保持恒虚警概率的跳变时刻检测方法, 设计滑动策略实现跳频信号的实时跟踪。分别利用几何重心法和最小二乘法估计每跳 (hop)的载波频率和来波方向 (DOA)。实验证明, 新方法在低信噪比 (SNR)下具有更低的虚警概率, 参数估计精确度得到明显提升。

本文对基于压缩感知的压缩域目标跟踪算法进行了研究，为满足特定的应用场合要求，针对原算法的不足进行了改进，同时基于小型化低成本目标位置探测器设计思想及需求，设计并实现了以TMS320DM6437数字信号处理器为核心的实时图像跟踪处理平台，对算法在该DSP平台进行了实现与优化。仿真和实验结果表明，经过结合卡尔曼滤波器、融合LBP特征以及添加自适应学习速率更新策略等措施，算法的鲁棒性得到提高；对算法在DSP中的实现，经过一系列优化措施，对分辨率为960×960的视频图像，当取目标窗口为80×80时，处理速度可达25 f/s，能够满足实时性跟踪要求。系统能够对选定的运动目标进行连续、稳定地跟踪，能够满足特定应用场合下的目标位置探测与跟踪需求，具有一定的实用性，同时也对该类目标跟踪方法在嵌入式平台的研究与应用具有一定的参考价值。

通过热释电红外感知设备采集目标方向角序列, 利用粒子群优化算法实现了非测距方案下的目标跟踪。当阵列布局较大时, 采集方向角序列的长度增大, 算法搜索空间的维数增大, 跟踪精度降低。通过分割序列, 采用分布式粒子群优化算法, 综合多节点协同决策, 实现了大规模阵列的红外目标实时跟踪定位, 且能满足目标跟踪精度的要求。结果表明, 该方法有效扩展了基本粒子群算法在热释电感知中的应用。

针对基于压缩感知的目标跟踪算法中存在的特征单一, 在目标纹理变化、光照变化较大时跟踪不稳定、易丢失目标的问题, 提出了多特征联合的实时跟踪算法。该算法以多个矩阵作为压缩感知中的投影矩阵, 将压缩后的数据作为特征来提取出跟踪所需的多种特征。在更新过程中, 针对不同特征在跟踪过程中的稳定性不同, 采取不同速度的更新方法, 使得在目标环境变化时跟踪的鲁棒性仍然很高。对不同视频的测试结果表明, 提出的方法在目标运动、旋转、纹理变化和光照变化的情况下跟踪准确, 在目标大小为70 pixel×100 pixel时平均帧速为23 frame/s, 满足实时跟踪的要求。与单一特征的压缩感知算法相比, 本算法在目标纹理和光照变化很大的情况下仍能完成稳定的实时跟踪。