提出一种跨模态光学信息交互和模板动态更新的可见光和热红外（RGBT）跟踪方法，选取能够在跟踪速度和精度上取得平衡的Siamese跟踪器作为基本框架，并设计特征交互模块以重构不同模态的信息比例和增强模态间信息交流。在此基础上，基于无锚框的思想构建预测网络，以提升跟踪器的灵活性和通用性，同时提出一种模板动态更新的策略，通过动态更新跟踪模板增强模型对变化目标的适应能力。在GTOT等3个基准数据集上的对比实验表明，所提方法可显著提升跟踪器在复杂环境下的目标跟踪性能。

针对孪生架构单目标跟踪算法存在的目标状态更新不及时的问题，基于模板与记忆信息动态融合的跟踪策略，提出一种通用的模板更新机制。该机制采用双模块融合的更新策略：通过记忆融合模块融合搜索图像特征的短期记忆信息，获得目标变化情况；将前一帧可信的跟踪结果作为动态模板，从相关特征的角度，通过权重融合模块对原始模板和动态模板进行加权融合，通过结合跟踪过程的原始记忆与短期记忆实现更准确的目标定位。将模板更新机制应用于SiamRPN、SiamRPN++和RBO三种主流算法，并在VOT2019公开数据集上进行实验验证。结果表明：应用该机制后算法的性能得到了有效提升，具体而言，在SiamRPN++算法中，平均重叠期望值提升了6.67%，准确性提升了0.17%，鲁棒性下降了5.39%；此外，在遮挡、形变和背景干扰等复杂场景下，添加模板更新机制的SiamRPN++算法展现出较好的跟踪性能。

为改进在复杂场景下的跟踪性能, 提出了一种特征增强和双模板更新的目标跟踪算法。首先, 提出了一种改进的特征提取网络, 并将深层特征和浅层特征融合, 再利用通道空间注意力模块对该融合特征进行强化, 获得表征能力增强的特征。其次, 提出了一种双模板更新策略, 将近邻高置信度图像帧保留为备份模板, 当跟踪响应图置信度较低时, 将初始模板与备份模板进行加权融合得到新的模板, 再重新进行跟踪预测。最后, 在数据集OTB-100和VOT-2017上进行跟踪性能评估, 实验结果表明, 所提算法提升了在遮挡、光照变化、背景杂乱等复杂场景下的跟踪成功率和跟踪准确率。

针对SiamMask不能很好地适应目标外观变化，特征信息利用不足导致生成掩码较为粗糙等问题，本文提出一种基于自适应模板更新与多特征融合的视频目标分割算法。首先，算法利用每一帧的分割结果对模板进行自适应更新；其次，使用混合池化模块对主干网络第四阶段提取的特征进行增强，将增强后的特征与粗略掩码进行融合；最后，使用特征融合模块对粗略掩码进行逐阶段细化，该模块能够对拼接后的特征进行有效的加权组合。实验结果表明，与SiamMask相比，本文算法性能有明显提升。在DAVIS2016数据集上，本文算法的区域相似度和轮廓相似度分别为0.727和0.696，比基准算法提升了1.0%和1.8%，速度达到40.2 f/s；在DAVIS2017数据集上，本文算法的区域相似度和轮廓相似度分别为0.567和0.615，比基准算法提升了2.4%和3.0%，速度达到42.6 f/s。

针对目标遮挡、形变、旋转、光照变化及背景干扰等复杂场景下的目标跟踪问题,基于核相关滤波跟踪算法和统计颜色特征的跟踪算法,提出了一种复杂场景下的高置信度更新策略互补跟踪算法。首先,利用高斯拉普拉斯算子和局部二值模式增强目标边缘信息和纹理特征;然后,引入可调高斯窗口函数和基于关键点的尺度估计模型优化算法;最后,利用响应峰值与跟踪框的交并率设计了一种高置信度更新策略,以自适应更新模板。实验结果表明,在OTB2013数据集上本算法的精确度和成功率分别为88.3%和72.4%。

基于深层孪生网络的目标跟踪算法普遍缺乏目标模板在线更新方法,从而在某些复杂应用场景中适应能力较差。针对这一问题,提出一种基于光流映射的目标模板在线更新算法,该算法能够在保证实时性的前提下有效提高对复杂场景的适应能力。首先在跟踪过程中计算模板帧之间的光流信息;其次由光流映射和残差计算获取目标的运动变化信息。除此以外,还提出一种基于奇异值分解的由初始帧生成的修正项以修正目标位置偏差的方法。在OTB100和VOT2016数据集上对所提算法进行测试评估,结果显示,所提算法可以较好地优化新生成的目标模板,增强算法的鲁棒性,且与现有的跟踪算法相比,所提算法结果更佳。

为解决视觉车辆跟踪过程中尺度变化导致的模型漂移问题,在核相关滤波算法的基础上,提出一种车辆目标的尺度搜索算法。通过比较目标区域上三个特定尺度相关滤波响应的平均峰值相关能量,推断出目标尺度的变化方向,进而在变化方向上迭代搜索当前目标的最佳尺度。此外,为确保相关滤波模板能够适应运动过程中的车辆外观变化,在最佳尺度估计的情形下,对模板进行自适应加权更新,进一步提高模板准确性。大量的实验表明,本文算法可以有效解决车辆跟踪过程中尺度变化导致的模型漂移问题,且相比于其他相关滤波类算法具有更加优秀的跟踪性能。

目标跟踪技术是一项富有挑战性的研究课题, 在红外成像搜索、红外精确制导、智能监控、运动识别等领域有着广泛的应用。文中提出了一种基于稀疏表示多子模板的鲁棒目标跟踪算法。首先, 提出一种基于自适应辨别信息的子模板选择方法, 最大限度地捕捉目标的结构信息, 提高模板子块的整体描述; 针对直方图对光照敏感的缺点, 引入了稀疏表示理论对子模板进行描述, 提高模板子块的表达能力和适应能力; 其次通过构造表决图的形式对目标位置进行表决和融合决策; 最后设计了一种动态的子模板更新策略, 来有效地应对目标外观模型的变化。在大量测试图像序列中的仿真实验表明, 文中所提算法可以有效应对形变、光照变化、部分遮挡、完全遮挡以及虚假目标干扰和背景干扰, 具有较高的鲁棒性。

针对核相关滤波器在跟踪中因目标快速运动导致的目标易丢失和部分遮挡问题, 本文在多特征尺度自适应核相关滤波器(Scale Adaptive with Multiple Features tracker, SAMF)基础上, 提出一种融合自适应模板更新和预测目标位置重定位的核相关跟踪算法。采用联合目标移动速度和特征变化的模板更新机制增大对目标快速运动适应性, 根据长时滤波器和短时滤波器协作跟踪提出目标位置修正和重定位模型提升跟踪器应对目标部分遮挡的能力。在OTB-2015视频序列集100组序列中与序列集提供的算法进行对比, 本算法跟踪精度相比SAMF提升2%。在目标发生快速移动时本文算法具有更好的追踪目标能力, 目标重定位也很好地解决了目标部分遮挡问题。

针对遮挡、目标形变、噪声干扰等复杂场景下目标跟踪问题,提出了一种基于最大邻近距离( Maxium Close Distance, MCD )的抗遮挡快速跟踪算法,定义了灰度差异和最大邻近距离相结合的相似性度量方法,并根据相关系数自适应更新目标模板,利用多十字交叉快速搜索方法加速目标匹配的过程。当目标被遮挡时,采用Kalman预测滤波算法预测目标位置,维持目标的跟踪。实验结果表明,该算法能实现遮挡情况下的目标跟踪,目标跟踪精度优于8个像素,为遮挡、目标形变、噪声干扰等复杂场景下目标实时跟踪提供了一种解决方法。