目标跟踪是在缺乏目标先验信息的情况下,对连续时间内的目标位置进行估计。针对一般性目标的跟踪算法近些年来在准确性方面取得了显著进步。然而,关于无人机动态场景目标跟踪的文献还很少。无人机跟踪旨在估计搭载的相机捕获的视频序列中的航空视角下的目标的位置。与一般性跟踪算法相比,无人机跟踪的主要挑战集中在快速运动,尺度变化以及长宽比变化等因素导致的显著外观变化。本文利用局部特征点能够提取图像局部结构信息的能力,从特征检测和目标搜索两个方面对无人机跟踪算法进行改进。传统的手工设计的特征检测器往往只适用于特定类型的目标(如人脸、行人等),而不适用于无人机航空视角下目标外观显著变化的情况。为此,本文提出了一种基于稀疏编码的稀疏特征学习算法,来改善目标跟踪的鲁棒性。其基本思想是,对前几帧采样的训练样本进行字典学习得到字典,然后对当前帧的测试样本进行稀疏特征表示。首先对图像块进行局部阈值自适应FAST特征点检测,然后以特征点为中心采集图像块得到训练样本。通过计算图像块的局部梯度方向,对字典的元素进行分组训练,以描述不同图像块的局部方向信息。最后,将图像块划分为小方块,将稀疏特征投影到这些块中,再构造块的特征向量。传统的基于检测的跟踪系统框架往往以前一帧跟踪结果为中心在其局部邻域内搜索目标的位置。在无人机跟踪中,由于无人机运动导致了相机视角不断变化,局部搜索策略难以适应这种动态场景。因此,本文基于平滑光流提取推荐区域,提供候选目标搜索区域用于目标位置的检测。基本思想是通过最小化优化来估计最优平滑光流场,最优化的目标函数由三项组成:衡量平滑光流和原始光流的残差的数据项,计算特征点邻域内光流的相似性的平滑项,以及目标的刚性运动模型。首先,利用基于局部阈值的FAST检测器提取特征点。然后,通过Jacobi迭代求解平滑Lucas-Kanade光流,推断特征点的位移。最后,估计目标的平移和尺度变化,确定目标的候选搜索区域。本文利用无人机搭载的高清相机拍摄得到的UAV123数据集作为测试集评估所提算法在精度和成功率方面的性能。