针对现有点云配准算法在跨源点云上配准效果不佳的问题，提出一种基于角度约束的跨源点云配准算法。该算法重新定义快速点特征直方图（FPFH）算法的权重系数，以适应不同尺度的点云数据，提高匹配点对的内点率；同时使用角度约束对匹配点对进行筛选，保留兼容性良好的匹配点对用于尺度估计，对两个点云的尺度进行统一。在粗配准阶段，筛选出满足距离约束的兼容三角形，计算粗配准矩阵，完成初步变换。最后利用迭代最近点（ICP）算法进行细配准，提高整体的配准精度。实验结果表明，所提算法对相同尺度和不同尺度的点云数据均具有较好的配准效果，且具备快速配准点云的能力。

相关滤波器由于近年来在实时准确地跟踪视频信号方面展示出了优异的性能,为此引起了很多学者的关注。但在应对复杂场景外观变化较大的情况下,滤波器的跟踪效果易不稳定,估计尺度变化能力也有待改进,模型更新过程易引入不可信样本,不利于精确跟踪目标。为此,采用颜色直方图模型和相关滤波判别模型相结合的方式对跟踪目标进行精确定位,再从预测位置处提取尺度样本训练核尺度相关器。针对模型更新过程中可能引入干扰信息的问题,选择当响应置信度达到一定阈值时,对模型进行更新。在跟踪数据集(OTB-2015)中所提方法表现良好,成功率为0.694,精确度为0.794。

针对目标跟踪过程中出现的尺度变化、光照变化、运动模糊及背景杂乱等现象, 提出一种基于背景感知相关滤波跟踪器(BACF)的多特征融合与尺度自适应相结合的目标跟踪算法。提取目标和背景信息的多种特征信息, 根据响应图对特征分配权重进行加权融合完成目标位置预测; 利用方向梯度直方图(HOG)特征和颜色名称(CN)两种互补特征替换判别尺度空间跟踪算法中单一的HOG特征, 对目标进行尺度估计; 选用自适应变化的阈值更新滤波器模型。仿真对比结果表明所提方法具有较高成功率和精确度。

为了提高复杂场景中目标跟踪的稳健性,解决由光照变化、目标形变、尺度变化和遮挡等导致的目标跟踪失败问题,提出一种自适应特征融合的多尺度核相关滤波目标跟踪算法。该算法首先通过2种不同的特征分别训练2个核相关滤波器,利用这2个滤波器响应的峰值旁瓣比和相邻两帧的响应一致性获得融合权重,同时采用自适应加权的融合策略将这2个滤波器的响应结果进行融合,完成目标的位置估计;然后以此为中心进行多尺度采样,构建尺度金字塔,并通过贝叶斯估计的方法确定目标的最优尺度;最后依据目标跟踪的置信度进行跟踪模型更新,以避免模型退化。选取51组视频序列进行测试,并与近年来性能优异的目标跟踪算法进行对比。实验结果表明,所提算法能有效降低光照变化、目标形变、尺度变化和遮挡等因素影响,对测试视频序列取得了较高的跟踪精度和成功率,整体性能优于对比算法。

针对在目标视觉跟踪过程中目标尺度变化导致跟踪精度下降的问题, 提出了基于GM(1,1)尺度估计的核相关性滤波跟踪方法。在核相关性滤波跟踪算法的基础上引入GM(1,1)灰色预测模型对目标尺度进行预测, 并设计尺度估计流程估计当前目标尺度, 有效地解决了尺度变化明显导致跟踪性能下降的问题。最后利用OTB-100视频序列数据集测试算法的性能, 测试结果表明在目标尺度明显变化时, 该算法仍具有较好的跟踪性能, 可实现稳定准确的目标跟踪, 有效地提高了核相关性滤波跟踪算法的跟踪性能。

针对目标追踪过程中由于目标快速运动及尺度变化导致追踪失败的问题,提出了一种基于全卷积对称网络的目标尺度自适应追踪算法。首先利用MatConvNet框架构建全卷积对称网络,使用训练好的网络得到实验图像与模板的多维特征图,两者通过互相关操作,选取置信分数最大的点为所追踪目标的中心位置;其次,对中心位置进行多尺度采样,将小于模板方差1/2的错误样本过滤掉;建立目标模板和样本概率直方图,计算模板与样本间的海林洛距离,选取合适的尺度作为目标追踪窗口的尺度。在OTB-13数据集上进行实验,与其他追踪算法性能比较,本文算法追踪成功率为0.832,精度为0.899,高于同类型深度学习追踪算法,平均追踪速度达到42.3 frame/s,满足实时性的需求;挑选包含目标快速运动或尺度变化属性的追踪序列进一步进行测试,本文算法追踪性能仍高于其他算法。

针对传统目标跟踪算法判别力及稳健性不足的问题，本文在对跟踪输出响应图可信度进行充分研究的基础上，结合目标尺度估计方法，提出多特征融合和自适应尺度估计相结合的目标跟踪算法。该方法通过计算不同特征模型下的输出响应图可信度，实现对两种互补的特征进行自适应加权融合，有效地提升了表观模型的鉴别力及泛化性能。尺度估计模块通过构建多分辨率特征金字塔、训练尺度滤波器及尺度特征降维，避免了在尺度空间内的穷举式搜索。实验表明文中算法有效地提升了跟踪过程中的准确率和成功率，能够适应遮挡、形变等复杂场景下的目标跟踪，并且具有非常高的效率。

针对现实场景中跟踪目标的光照变化、尺度变化、遮挡等问题,提出了一种基于通道可靠性的多尺度背景感知相关滤波跟踪算法。通过提取方向梯度直方图特征、灰度特征和颜色属性特征作为目标表观模型,提高了目标跟踪方法在复杂场景中的稳健性;独立训练每个通道的背景感知相关滤波器,采用通道可靠性系数衡量每个通道响应图的置信度;根据所有通道的响应图和可靠性系数,合成多通道背景感知相关滤波跟踪器的最终响应图,对目标进行精确定位;运用尺度池方法估计目标的最优位置和尺度。实验结果表明:与现有跟踪算法相比,所提算法可以有效地处理光照变化、尺度变化、遮挡等复杂因素的干扰,取得较高的跟踪精度和成功率,其整体性能优于其他算法。

为了满足在线目标跟踪算法的实时性需求并提高算法的稳健性,提出一种基于高置信度更新策略的相关滤波跟踪算法。在目标区域提取、融合多特征,以构建稳健的外观表达,并利用投影矩阵对特征进行降维,以提高算法的运行效率;通过相关滤波器寻找最大响应值,从而快速定位目标;利用最大响应值和平均峰值相关能量指标,设计了一种高置信度更新策略。结果表明:所提算法在大规模公开数据集上取得了较高的跟踪精度和成功率,平均跟踪速度达到122.3 frame/s。

针对核相关滤波器(KCF)跟踪算法在目标发生尺度变化和严重遮挡的情况下跟踪失败的问题, 提出了一种基于自适应的核相关滤波的目标跟踪算法。该算法运用了尺度估计策略, 使跟踪框自适应, 用多项式核函数来减少计算量, 采用了FHog目标特征代替原来的Hog特征, 获取更多的目标特征信息。实验采用OTB-2013评估基准的50组视频序列进行测试, 并与其他31种跟踪算法进行对比, 测试所提算法的有效性。实验结果表明: 所提算法成功率为0.549, 精确度为0.736, 排名第一, 与KCF算法相比, 分别提高了3.8%和1.0%。该算法在目标发生尺度变化、严重遮挡等复杂情况下, 均具有较强的稳健性和鲁棒性。