目标追踪一直是计算视觉的重要研究方向之一,随着对固定视角下目标追踪算法的持续研究以及无人机的不断普及迭代,人们开始将研究的重心放在对无人机平台下的目标追踪算法优化上。在无人机平台下进行目标追踪时,因其算力不够、实时性要求高以及跟踪情况复杂等问题,对应的算法模型需要在保证性能的基础上尽量简单。为了满足无人机平台的实时跟踪要求,本文采用传统特征对相关滤波目标跟踪算法进行优化,主要研究内容包括如下几个方面:一、针对无人机平台中存在的背景复杂、快速运动、尺度变换、相机运动以及在低帧率的场景下易出现的算法跟踪丢失、漂移等问题,提出基于似物性检测和多特征融合的相关滤波目标跟踪算法,采用似物性检测进行全帧目标检测,解决因快速运动和低帧率场景下目标超出搜索范围而导致跟踪失败的问题;并提出训练目标度量对召回的样本进行重排打分,解决候选样本框中的不合理得分问题,提高算法在目标尺度变化时的自适应能力;为了提高复杂场景下的跟踪性能,根据不同特征的跟踪效果分配不同权值,进行多特征动态加权融合,提高复杂场景下跟踪算法的准确性。二、针对无人机平台下跟踪过程中常出现的目标被物体遮挡和视野消失问题,设计基于分块置信度机制与重检测搜索的相关滤波算法,建立多参数结合的遮挡检测机制。当检测到发生遮挡时,在模板更新中引入时间一致项,用于增加当前模型和过去模型的相似度,提高算法的鲁棒性;并且在检测到遮挡后对物体进行四分块,通过计算子块的置信度参数进行遮挡程度的判别,将遮挡程度划分为部分遮挡和完全遮挡;对于部分遮挡,将全局滤波器和子相关滤波器加权融合得到目标预测位置,对于完全遮挡将停止所有跟踪,用未遮挡前的目标模板进行全帧搜索,直至目标重新出现,提高物体完全遮挡或消失后的重新跟踪率。根据无人机场景下目标跟踪时存在背景复杂、快速运动、尺度变换、相机运动以及低帧率的问题,在UAV123标准无人机数据集上选取存在这些综合场景的视频序列,以此验证本文优化后的算法性能;针对遮挡场景进行进一步算法优化,将优化后的目标跟踪算法与高性能跟踪算法在公开数据集上进行对比实验分析,客观评估所提出的算法在无人机平台下的目标跟踪效果。