针对红外目标检测中小目标检测精度较低的问题，提出了一种利用改进型平均绝对灰度差(AAGD)算法的红外小目标检测。针对AAGD算法的缺点，在其基础上，融合灰度与显著性特征，用于核相关滤波器，以解决红外目标特征简单且信息量少的问题; 提出一种自适应双滑动窗口，针对不同区域调节聚合窗口形状及像素点权重，以实现高强度结构背景附近的机动目标的匹配，提高小目标检测的准确度; 利用MATLAB仿真平台对所提方法进行实验论证，结果表明，所提方法能够在噪声、高强度锐利边缘和结构背景等复杂图像中准确检测出小目标，且其准确度、稳定性、执行时间等方面均优于其他对比方法。

针对核相关滤波器在复杂光照条件下出现的跟踪不稳定的现象, 提出一种基于 LBP(local binary pattern)与核相关滤波器的运动目标跟踪算法。在传统算法上增加 LBP处理方法, 降低光照对特征提取的影响, 进而提高核相关滤波器算法在跟踪过程中对目标信息的采集精准度。实验表明, 与经典的核相关滤波器跟踪算法相比, 基于 LBP与核相关滤波器的运动目标跟踪算法在复杂光照的情况下的跟踪性能有明显提升, 能较好应用于实时场景中去, 是一种稳定的目标跟踪算法。

城市道路普遍存在机动车、非机动车、行人的人车混行路段, 车辆目标的准确识别与统计成为视频方法检测混合交通流量的关键问题。本文提出了基于深度学习YOLO(You Only Look Once)的车流量检测算法。用YOLO v2检测道路上移动的目标, 对检出目标中的车辆目标进行识别与筛选, 设置感兴趣区域, 在车辆目标经过感兴趣区域时计数, 并用核相关滤波器跟踪车辆, 避免车辆重复计数; 在ARM上利用该算法实现了混合交通视频中的车流量检测。测试结果表明, 该方法中车辆的检测、跟踪、计数结果良好, 可应用于混合交通中的车流量检测。

将激光焊接头与CCD视频跟踪模块集成在一起,提出一种采用一字线激光进行自动化焊缝检测的方法。该方法利用激光三角测量法,得到焊缝的高度、宽度等形状信息。在图像处理方面,对所获得的焊缝区域图像进行中值滤波和二值化处理,获得焊缝特征点二维坐标,实现目标定位,并计算其在世界坐标系下的三维坐标。在跟踪算法方面,采用精度高、速度快的核相关滤波器目标跟踪算法,分别对常见的直线型和曲线型焊缝位置进行跟踪。实验所得数据拟合曲线与焊缝形态误差在5%以内,吻合度较高,实时跟踪效果良好。

为了实现对十字靶标的自动检测与跟踪, 建立了十字靶标检测跟踪模型。针对目标检测中运算量大、实时性差、目标跟踪需要人工标定视频初始帧的问题, 提出了一种基于可变形部件模型（DPM）和核相关滤波器（KCF）的十字靶标检测跟踪算法。首先, 提取十字样本集的梯度方向直方图（HOG）特征, 采用Latent SVM分类器训练特征集, 生成十字靶标物体类的DPM模型。然后, 通过滑动窗口搜索匹配方法遍历待检测图片。最后, 将检测到的结果作为跟踪算法的起始跟踪帧, 应用KCF算法快速跟踪目标。当跟踪目标丢失时, 暂时停止跟踪, 利用DPM模型重新检测定位目标再进行跟踪。实验结果表明: 采用DPM模型检测的平均帧率为1 fps, 结合DPM和KCF算法, 实时检测跟踪的平均帧率为40 fps。采用基于可变形部件模型（DPM）和核相关滤波器（KCF）的十字靶标检测跟踪算法, 实现了目标的自动检测与实时跟踪, 且检测速度明显高于传统算法, 并且在目标漂移或丢失后自动重新定位并继续跟踪, 完成十字靶标的长时间跟踪。

针对多目标跟踪算法中经常会面临的各种挑战, 如相机的突然运动、遮挡、误检和外观相似等情况, 提出一种基于核相关滤波(KCF)的分步关联框架。首先, 该算法采用基于卷积神经网络的目标检测器检测目标, 获得准确的检测结果。然后, 为了更好地预测目标的运动状态, 通过加权融合三种特征的跟踪结果, 为每个目标建立一个基于KCF算法的快速跟踪器。此外, 为了有效地降低碎片化轨迹的数量, 该算法通过跟踪片的置信度分步关联轨迹, 并在遮挡的情况下, 利用在线随机蕨重新检测目标。最后利用关联成功的检测信息自适应更新KCF算法中的尺度。实验结果表明, 与现有算法相比, 所提算法能够在各种复杂的条件下, 表现出强大和高效的跟踪性能。

为了实现校园的安全监控，提出了基于云台摄像机的快速移动人群的检测与跟踪算法。介绍了云台摄像机用于校园安全监控的基本构成。为了更好地实现云台摄像头对于移动人群的检测与跟踪，建立了基于现实的精确摄像机模型，提出了摄像机自旋转角度约束的摄像机模型。通过最新的核相关滤波器跟踪算法（KCF）实现对运动着的人群检测与跟踪。运用Matlab仿真实验比较该方法和卡尔曼滤波跟踪算法，选择最优方法和相关滤波器跟踪算法来实现检测与跟踪要求。结果表明：相比较于传统的卡尔曼滤波跟踪算法，KFC算法的跟踪精度优于传统方法，精度多数情况下能达到90%以上，高于卡尔曼滤波跟踪算法的60%，检测与跟踪效果达到要求。

针对核相关滤波器(KCF)跟踪算法在目标跟踪中存在尺度变化、严重遮挡、相似目标干扰和出视野情况下跟踪失败等问题, 提出了一种基于KCF的长期目标跟踪算法。该算法在分类器学习中加入空间正则化, 利用基于样本区域空间位置信息的空间权重函数调节分类器系数, 使分类器学习到更多负样本和未破坏的正样本, 从而增强学习模型的判别力。然后, 在检测区域利用Newton方法完成迭代处理, 求取分类器最大响应位置及其目标尺度信息。最后, 对最大响应位置的目标进行置信度比较, 训练在线支持向量机(SVM)分类器, 以便在跟踪失败的情况下, 重新检测到目标而实现长期跟踪。采用OTB-2013评估基准50组视频序列验证了本文算法的有效性, 并与30种其他跟踪方法进行了对比。结果表明: 本文提出的算法跟踪精度为0.813, 成功率为0.629, 排名第一,相比传统KCF算法分别提高了9.86%和22.3%。在目标发生显著尺度变化、严重遮挡、相似目标干扰和出视野等复杂情况下, 本文方法均具有较强的鲁棒性。

由于现存的大多数基于检测的跟踪器都没有解决尺度变化问题, 本文在传统的基于检测的目标跟踪框架下设计了一种尺度估计策略, 并给出了基于核相关滤波器的自适应尺度目标跟踪算法。该算法利用核函数对正则化最小二乘分类器求解获得核相关滤波器, 通过对核相关滤波器的在线学习完成目标位置和尺度的检测, 并在线更新核相关滤波器。为了验证本文算法的有效性, 选取了10组场景复杂的视频序列进行测试,并与其它5种优秀跟踪方法进行了对比。结果表明,本文提出的方法比上述5种优秀跟踪方法中的最优者的平均距离精度提高了6.9%, 且在目标发生尺度变化、光照变化、部分遮挡、姿态变化、旋转、快速运动等复杂场景下有较强的鲁棒性。