科技的飞速发展引领智能化时代的到来,计算机视觉在人工智能化领域占有重要地位,实现图像理解是计算机视觉的最终目标,其中目标跟踪技术是实现图像理解技术中不可或缺的元素。现有许多学者提出了许多经典的目标跟踪算法,在经典的算法基础上也涌现出许多更优秀的跟踪算法,但是目前这些算法在众多挑战交错的场景下,如光照变化强烈,目标被持续遮挡,运动环境复杂等交织在一起,仍然不能有令人满意的良好适应性,在实际场景应用中更不能满足长时稳定地跟踪目标。目标跟踪要满足实际应用,必要的是实时性,相关滤波跟踪算法在运行速度上有明显优势,然而也存在复杂场景与多干扰情况下鲁棒性偏弱,易受相似目标干扰等问题。本文针对相关滤波算法的不足,提出两种改进的跟踪算法,与BACF等相关优秀算法进行实验对比,并制作自主空中加油锥套数据集,在跟踪应用中进行实验验证。本文主要的研究和工作总结如下:(1)提出基于模型更新监督的目标跟踪算法。由于跟踪过程中受到各种挑战性的干扰因素交错影响,以及在实际应用过程中的各种不确定因素的存在,尤其相似目标在复杂环境下进行的目标跟踪算法的准确率和成功率会受到极大程度降低。一般算法在准确率表现差的情况依然进行模板更新,继续下一帧的目标跟踪,这样就导致了模板被污染,使准确率和成功率进一步下降。针对以上问题,本文加入模板更新监督机制,对本帧得到的响应信息进行分析,发现当目标跟踪稳定时,峰值单一,其余部分响应平缓,因此提出将模板的最大响应与响应图的震荡程度结合进行综合评定,设置阈值判断后决定是否更新。对比实验表明改进后的算法可以有效对模板进行保护,从而提升算法在众多复杂挑战的跟踪环境下的抗干扰能力。(2)提出融合ORB改进的长时目标跟踪算法。在实际应用中,除了上述提到的各种干扰因素以外,还存在现有算法面临长时间跟踪的不稳定的问题。由于长时跟踪过程难免出现目标暂时离开视野和极端干扰等情况,所以在目标重新出现时,现有算法难以将目标再次找回,从而丢失目标,在长时跟踪的情况下表现不尽人意。针对以上问题,本文在提出的第一个算法基础上,增加了目标重检测机制,提出基于模型更新与快速重检测的长时跟踪的算法框架,当确定目标丢失后定时进行目标重检测,利用搜索描述子特征的再次检测手段,将搜索到的特征通过把比特维数全部降到512维的方法使重检测速率更快。对比实验表明本算法能够在各干扰交织,目标暂时离开视野等复杂情况下满足长时跟踪的稳定性,算法性能有进一步提高。(3)选用自主空中加油锥套跟踪的应用作为模拟仿真实验,为此,对自制锥套进行视频自采集,视频处理制作数据集等工作;选用实拍空中加油锥套视频,进行视频处理后形成数据集。将本文提出的两种算法与经典相关滤波算法KCF在自制的六组数据集中进行测试对此,结果表明本文提出的两种算法在自主空中加油锥套跟踪应用中有良好的适应能力,相对改进前表现出更优秀的性能。本文选用的实验数据集为OTB100中20个有代表性的序列,通过与优秀相关滤波算法实验对比发现,改进后的算法在光照强烈变化,尺度变化,相似目标干扰,遮挡等复杂情况下能够提高长时跟踪的准确性和实时性。