随着我国人工智能水平的进步和无人机产业的发展,以机器视觉平台为载体的目标检测和跟踪系统的应用日趋普遍。目标跟踪算法可以为机器视觉问题提供核心解决方案,因此受到广大研究学者的关注。近些年来,国内外学者利用基于卷积神经网络的方法,提出了全新的特征提取方法与模板更新策略。然而,目标跟踪算法在受到各类复杂场景的干扰时依然会出现失败。因此,目标跟踪算法的精确性和鲁棒性仍然是一个需要深入研究的课题,将目标跟踪算法与无人机平台或其他机器视觉平台的联合应用也同样是亟待解决的工程问题。本文针对复杂场景干扰下的鲁棒目标跟踪问题,结合大量的国内外参考文献,对各类复杂场景下的核心问题与解决方法进行深入剖析,并相应地提出解决方案,旨在获得更加精确、鲁棒的目标跟踪算法,并将这些目标跟踪方案应用到无人机目标跟踪中,以满足实际跟踪应用的需求。具体开展的研究主要有:1.针对在线模型更新和孪生网络两类目标跟踪方法受到遮挡、目标形变和相似目标影响较大的问题,提出在线离线结合的目标跟踪算法。该算法首先详细给出基于模板打分和直方图打分的在线更新方法,接着阐述了基于全卷积孪生网络目标跟踪方法,最后通过离散度测量值和自适应阈值的关系来判定在线更新方法与离线训练方法在跟踪过程中的正确切换节点完成整个目标跟踪过程。实验结果表明,该算法有效地避免了当目标遭遇遮挡和相似干扰目标时跟踪算法的漂移,具有更高的跟踪成功率,同时保证了跟踪算法的实时性。2.针对孪生网络利用深层卷积层特征来表征目标时,由于缺乏空间位置信息而导致目标跟踪算法在跟踪过程中表现的精确度较差的问题,提出一种基于层次孪生网络的目标跟踪算法。该算法首先设计了基于层次孪生网络的整体框架,然后,通过端到端学习估计目标与候选目标之间的相似度函数的方式来训练层次孪生网络,最后通过定位相似度得分最高的位置作为目标当前帧所在位置以完成目标跟踪全过程。实验结果表明,该算法由于通过层次孪生网络的方式获得的目标特征同时具备空间信息和语义信息,因此定位目标的精确度方面表面出良好性能,同时在目标发生遮挡与尺度变化时也表现出较强的鲁棒性。3.针对浅层卷积网络提取特征中效率较低,模型更新过程对于遮挡干扰的鲁棒性差,以及长期目标跟踪成功率低的问题,提出了基于自适应降维卷积特征与离线孪生跟踪算法的目标跟踪算法。该算法首先利用自适应投影矩阵获取浅层卷积特征的主成分特征,接着利用旁峰比为自适应模型更新分配权重,最后结合孪生网络跟踪算法,通过阈值激活的方式实现算法切换完成整体的跟踪过程。实验结果表明,该算法相比于基于浅层卷积特征的目标跟踪算法算法执行效率更高,在尺度变化、遮挡,摄像机移动和目标形变等干扰情况下表现出较强的鲁棒性,在基准数据库上取得了良好的跟踪效果。4.针对卷积网络提取特征对于目标发生仿射变换时的外观表征能力不强,跟踪边界框并非根据目标形变而调整的仿射边界框的问题,提出了基于空间变换孪生网络的目标跟踪算法。该算法首先构建空间变换孪生网络结构,利用空间变换网络中的定位网络,网格生成器和图像采样模块来获取仿射变换矩阵,然后利用相似度匹配方法通过端到端学习的方式获取与目标相似度最高的候选目标位置,最后利用仿射变换矩阵逆变换实现目标跟踪的仿射边界框回归。实验结果表明,该算法在跟踪过程中目标发生形变时,相比于其他跟踪算法拥有更好的跟踪效果,仿射边界框在提高跟踪精度的同时,使得跟踪算法更加具有实际意义。5.针对卷积网络在训练过程中存在优质训练样本不足,训练样本多样化与差异性不强,跟踪算法在长期跟踪过程中容易丢失目标的问题,提出了基于融合对抗网络的目标跟踪算法。该算法首先详细给出对抗空间移除网络的结构设计与训练方法,接着提出对抗空间变换网络的网络设计以及两类网络的融合方法,最后利用融合对抗网生成优质似物性实例完成候选解分类和在线更新来实现整体目标跟踪流程。实验结果表明,该算法可以较好地适应目标发生全部部分遮挡、目标形变和快速运动的情况,由于算法采用基于似物性实例的跟踪策略,在目标丢失后距离较远的位置再出现,目标跟踪算法依然有机会重新定位目标。6.对比本文提出目标跟踪算法的整体性能,通过对每个算法跟踪性能和实时性能的评估,得出不同算法在处理不同复杂场景干扰时的优势和弊端,有利于因地制宜地使用跟踪算法解决针对性的问题,进而总结得出未来研究和改进的方向。通过本文算法在无人机目标跟踪数据库中的对比实验,验证本文提出算法在解决更加复杂的无人机目标跟踪任务时的可行性和有效性。综上,本文深入研究与分析复杂场景的鲁棒目标跟踪问题并提供了相应的解决方案,实现了算法在目标跟踪基准数据库与无人机目标跟踪数据库的良好跟踪效果,为目标跟踪的实际工程应用提供了算法支持。文章最后,梳理了文章的主要工作,对全文各章节进行总结,并对未来即将进行的科学研究进行展望。