为了减少有效卷积算子(ECO)跟踪算法的特征提取网络参数量和计算量, 采用了一种基于端侧神经网络(GhostNet)改进的ECO目标跟踪算法。首先, 采用GhostNet网络作为主干特征提取网络提取图像浅层与深层的卷积特征, 运用全局平均池化对卷积特征下采样增加特征对图像的表征能力; 其次, 将卷积特征与手工特征插值后, 与当前滤波器在傅里叶域进行卷积计算实现目标定位; 最后, 采用共轭梯度算法优化响应误差与惩罚项之和的损失函数实现滤波器更新。在上述提出的算法和OTB2015与VOT2018数据集上进行了理论分析和实验验证, 取得了目标跟踪的对比实验数据。结果表明, 相对于基于ResNet特征提取网络的ECO算法, 该算法在实现高精度跟踪时, 卷积特征提取过程计算量减少了95.75%, 参数量减少了79.69%, 跟踪过程速度提升了160%。这些结果为轻量级目标跟踪算法的研究提供了参考。

针对航拍图像中对地小目标识别率低、定位效果差的问题，提出了一种基于深度学习的目标检测算法。该算法利用VGG16网络作为微调网络，并添加部分深层网络，通过提取目标浅层特征与深层特征进行联合训练，克服检测过程中定位与识别相互矛盾的问题。提出把奇异值分解技术应用于卷积特征压缩处理，降低模型的计算与存储需求，并且采用多尺度训练方法以适应航空目标尺度的变化。实验结果表明，在通用数据集PASCAL上可以实现0.76 mAP，检测速度达16 fps，在专用航空目标数据集UCAS-AOD上可以实现0.63 mAP,检测速度达18 fps。基本满足对小目标检测精确度的要求，并且检测速度可以接近实时检测效果。

为了让相关滤波模型更加适应目标外观的变化, 提高相关滤波跟踪算法的鲁棒性和实时性, 根据相关滤波响应值、帧差均值和目标运动位移之间的关系, 提出了一种单层卷积相关滤波实时跟踪模型的自适应学习率调整跟踪方法.该方法首先选取单个卷积层卷积特征, 减少了卷积特征维度, 然后使用单层卷积特征训练相关滤波分类器预测目标位置, 用快速尺度预测方法估计跟踪目标的尺度, 并采用稀疏的模型更新策略, 提高跟踪的速度; 最后利用相关滤波预测响应图的峰旁比估计预测位置的可信度, 结合图像帧差均值和目标的运动位移量来评估目标的表观变化, 并根据目标预测的可信度和表观变化情况自适应调整相关滤波模型更新的学习率, 使模型快速学习目标的变化特征, 提高了目标跟踪的精度.在OTB100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达90.1%, 优于实验中对比的9种主流算法, 平均成功率值为79.2%, 仅次于9种算法中的连续卷积跟踪算法, 平均速度为31.8帧/秒, 是连续卷积相关滤波算法的近30倍.

针对目标跟踪中出现的尺度变化、旋转和遮挡等问题, 提出了基于分层卷积特征的自适应目标跟踪算法。利用卷积神经网络提取分层卷积特征, 利用相关滤波算法获取卷积特征响应图, 并通过响应图的加权融合估计目标位置。利用一种边缘检测算法实现尺度自适应跟踪。利用峰旁比判断目标的置信度, 解决遮挡情况下的模板更新问题。利用OTB2013数据集测试所提出的算法, 测试得到所提出算法的整体成功率、精确度分别为0.618, 0.861, 在目标发生尺度变化、旋转和遮挡等情况下, 该算法可以准确、可靠地跟踪目标。