基于相关滤波的跟踪算法因其高效性，受到了无人机领域的密切关注。现有的跟踪算法使用固定的超参数进行滤波器的学习，无法满足无人机在跟踪过程中对复杂环境的适应性。针对该问题，提出了一种自适应正则化参数学习的相关滤波算法，将滤波器与时间正则化参数的学习描述为一个统一的目标函数; 同时，该算法可通过响应图的全局变化量感知目标的变化情况，自适应更新目标模型。无人机视频数据集上的结果验证了所提算法对复杂无人机跟踪场景的适应性以及对跟踪性能提升的有效性。

基于Siamese网络的视觉跟踪算法是近年来视觉跟踪领域的一类重要方法，其在跟踪速度和精度上都具有良好的性能。但是大多数基于Siamese网络的跟踪算法依赖离线训练模型，缺乏对跟踪器的在线更新。针对这一问题，本文提出了一种基于在线学习的Siamese网络视觉跟踪算法。该算法采用双模板思想，将第一帧中的目标当作静态模板，在后续帧中使用高置信度更新策略获取动态模板；在线跟踪时，利用快速变换学习模型从双模板中学习目标的表观变化，同时根据当前帧的颜色直方图特征计算出搜索区域的目标似然概率图，与深度特征融合，进行背景抑制学习；最后，将双模板获取的响应图进行加权融合，获得最终跟踪结果。在OTB2015、TempleColor128和VOT数据集上的实验结果表明，本文算法的测试结果与近几年的多种主流算法相比均有所提高，在目标形变、相似背景干扰、快速运动等复杂场景下具有较好的跟踪性能。

为提升孪生网络视觉跟踪算法的准确性,提出一种融合多任务差异化同质型模型的孪生网络视觉跟踪算法。首先在决策层对孪生网络视觉跟踪模型与目标分割模型进行融合,然后结合多尺度搜索区域、目标上下文特征、多学习率模型更新策略进行跟踪。在标准数据集VOT、OTB、LaSOT、UAV123上进行算法评估。实验结果表明,所提算法在遮挡、快速运动、光照变化等干扰下可以稳定跟踪目标。

为提高卷积相关滤波算法的速度和精度,提出一种基于通道裁剪与加权融合的跟踪算法。该算法选取适合目标跟踪的单层卷积特征,通过特征均值比裁剪无效卷积通道,再融合一维灰度特征,提升了特征的表征能力。然后以特征均值比为卷积通道权重构造加权相关滤波算法,预测目标位置,并用帧差均值最小化精定位方法减小预测位置误差;最后通过更新跟踪模型,以进一步提高算法速度。在标准数据集OTB-100上对算法进行测试。结果表明,所提算法的平均距离精度为91.3%,平均速度为31.8 frame/s。所提算法可有效提高目标跟踪的速度和精度,在目标遇到遮挡、尺度变化、快速运动及形变时仍可有效跟踪目标。

时空上下文 (STC)跟踪算法在特征表达、尺度自适应策略等方面存在缺陷，当出现目标突然形变、局部遮挡或尺度变化等情况时，跟踪器的性能会严重退化。通过对 STC算法进行改进，提出了一种融合颜色直方图响应的时空上下文跟踪算法。基于颜色统计的模型对运动模糊和目标形变等影响因素不敏感，和时空上下文模型具有良好的互补性质，在响应层融合后能够提升算法的鲁棒性。此外，采用基于多尺度金字塔模型的尺度搜索策略替换 STC算法中原有的尺度估计策略，进行更精准的自适应尺度估计。在大规模公开数据集上的测试结果表明，本文算法在不同影响因素的复杂环境下展现了更为良好的跟踪性能和适应性，并且平均跟踪速度达到 134.2帧/秒。

针对全卷积孪生(SiamFC)网络算法在相似目标共存和目标外观发生显著变化时跟踪失败的问题,提出一种基于注意力机制的在线自适应孪生网络跟踪算法(AAM-Siam)来增强网络模型的判别能力,实现在线学习目标外观变化并抑制背景。首先,分别在模板分支和搜索分支中加入前一帧跟踪所得到的结果,弥补网络在应对目标外观变化的不足;然后通过在孪生网络中加入空间注意力模块和通道注意力模块实现不同帧之间的特征融合,从而在线学习目标形变并抑制背景,进一步提升模型的特征表达能力;最后,在OTB和VOT2016跟踪基准库上进行实验。实验结果表明,本文算法在OTB50数据集上的精确度和平均成功率比基础算法SiamFC分别高出了4.3个百分点和3.6个百分点。

在互补学习实时跟踪算法(Staple)中,方向梯度直方图(HOG)特征与颜色直方图采用的融合系数均为固定值0.3,在不同特征下相融时易造成目标丢失的问题。基于此,提出一种基于目标概率模型的自适应融合互补学习实时跟踪算法(amStaple),该算法使用分段函数得出自适应融合系数。分别在OTB-2013与OTB-100基准视频集上对所提算法进行实验测试,最终的实验结果显示,本文算法极大地提升了跟踪器性能,与Staple相比,在两个基准数据集上其精度分别高出6.52%与3.32%,成功率分别高出4.89%与3.11%。本文算法较为简单,且在与同时期优秀算法的定性与定量比较中表现较优。为解决本文提出的算法在基准视频部分属性上表现欠佳的问题,在本文算法的基础上增加判定条件,提出了amStaple1算法。

为满足视觉跟踪算法对跟踪精度与跟踪速度的要求,提出一种结合目标检测的多尺度相关滤波视觉跟踪算法。所提算法基于深度学习的目标检测算法找出图像中目标的位置和尺寸,利用相关滤波算法对所给出的目标特征进行视觉跟踪,并在多个尺度中搜索最优响应;当检测到相关滤波响应值异常时,停止对模型更新;当连续数帧响应值异常时,则在全图范围内搜索目标位置和尺寸。所提算法通过对跟踪状态进行评估和模型更新率自适应调整,解决了传统相关滤波类算法跟踪误差随时间积累的问题,且具有较大的跟踪速度和较高的精度。结果表明:在Matlab平台下,所提算法的平均定位精度为0.593,平均交叠率精度为0.784,帧率为65.3 frame/s。

为提高光照变化下目标跟踪算法的精度和鲁棒性, 基于稀疏表示理论, 提出一种光照补偿和多任务稀疏表示联合优化算法。该算法首先根据目标模板与候选目标的平均亮度差异对目标模板光照补偿, 而后利用候选目标构建过完备字典以稀疏表示光照补偿后的目标模板, 并将所得问题转化为一个多任务优化问题, 然后利用所得稀疏编码矩阵快速剔除无关候选目标, 最后基于重构误差对剩余候选目标进行局部结构化评估, 进而实现目标的精确跟踪。实验结果表明, 与现有主流算法相比, 剧烈光照变化情况下, 所提方法可显著改善目标跟踪精度及鲁棒性。

为提升分层卷积相关滤波跟踪算法的速度和精度, 减少无效卷积通道特征对跟踪精度的影响, 提出一种自适应特征选择的分层卷积相关滤波跟踪方法.该方法选取能表征目标的双层卷积特征, 将相关滤波训练与预测合并, 在视频序列的每一帧计算上一帧目标区域与非目标区域的卷积特征均值比, 选取满足特征均值比要求的卷积通道特征训练相关滤波分类器, 根据分类器与目标特征的最大响应值预测目标位置; 最后根据预测结果稀疏更新目标初始帧特征, 作为后续帧训练分类器的依据.在OTB-100标准数据集上对算法进行测试, 实验结果表明本文算法的平均距离精度为91%, 平均重叠率精度为64.4%, 平均速度为21.7帧/秒, 比原分层卷积相关滤波跟踪算法分别高出7.3、8.2个百分点和11.3帧/秒, 该算法的平均距离精度比高精度的连续卷积跟踪算法（CCOT)高1.2个百分点, 跟踪速度是CCOT的近20倍.本文算法可以有效提升分层卷积跟踪算法的速度和精度, 在目标发生遮挡、快速运动等干扰时能稳定跟踪到目标.