视觉领域的研究逐渐成为推动社会智能化发展的重要前进助力,而目标跟踪算法更是该领域研究的主要方向之一。TLD算法被提出后,由于其独具创新的跟踪方式受到了研究人员的关注。本文针对TLD算法在实际运行过程中遇到的问题进行了研究和分析,并针对TLD算法的跟踪模块和检测模块进行了改进和创新。1.针对TLD算法在运行过程中,当目标发生光照和旋转变化时,跟踪精度易受影响的问题,本文采用均匀LBP算法代替检测模块中的最近邻分类算法对分类过程进行了改进。改进后的算法首先对待分类样本进行图像分块,接着对其进行旋转不变处理,再对每一个图像块进行均匀LBP处理,最终将得到的块直方图合并在一起得到整张图像的直方图,该直方图与目标直方图进行相似度对比,以此选出更加准确的样本供学习模块进行学习和供跟踪模块进行参考,并提高算法的跟踪准确率。2.由于TLD算法跟踪模块对特征点的采样使用的是均匀特征点的方法,这使得采集出的特征点存在无效特征点,无效特征点会造成算法跟踪精度下降。为了让算法找到更加精确且具有代表性的特征点,本文提出在跟踪模块中加入SURF-BRISK的融合算法。SURF-BRISK算法得到的特征点更有代表性,在获得特征点集合后使用GMS算法对特征点进行过滤,筛选出图像中有效的特征点让算法的跟踪精度进一步提高。OTB数据集的对比实验说明了本文提出的算法较于传统TLD算法在目标的跟踪精准度上最高提升约30%。3.本文将改进后的算法运用到机械臂抓取系统中,以验证改进后的算法能对目标进行精准跟踪,从而帮助抓取系统提高对目标的抓取能力。抓取实验结果证明改进后的算法能够帮助机械臂抓取系统提高约17%的物体抓取能力。