近年来,随着图像处理技术的发展,基于无人机视频的目标跟踪技术受到众多学者的关注和研究。对于序列图像中的目标跟踪技术,算法可行性、鲁棒性及实时性都是需要考虑的重要因素。本文对现有目标跟踪方法展开讨论,对无人机动态复杂背景、遮挡、目标多且密集等难点问题进行研究,主要完成了以下工作:1.本文针对无人机复杂动态背景,采用基于区域均值的多通道颜色信息和结构运动信息构建目标特征,提出了相应的目标与量测关联相似性度量算法。算法在提取候选区域的多通道颜色特征与结构运动特征的基础上,利用余弦相似度计算目标与候选区域的颜色特征相似度;采用本文提出的组合模型加权求和方法计算结构运动特征相似度。该算法对动态背景鲁棒性好,减少了由于无人机无规则运动造成的关联错误,提高了跟踪准确度。2.针对目标多且密集时,联合概率数据关联算法计算复杂度高,实时性差的问题,本文提出基于m-best数据关联的多目标跟踪算法。目标-量测关联概率主要由产生概率较大的几个联合事件决定。该算法用前m个最优联合事件代替传统算法中所有的联合事件,计算目标-量测的边缘关联概率,在保证关联正确率的同时,大大降低了计算复杂度。该算法采用整数线性规划算法求解最优联合事件,然后用树迭代寻优算法求解前m个联合事件。另一方面,该算法采用“分而治之”的思想,首先使用K-means聚类算法将目标划分为不同的区域,每个区域内进行数据关联;然后统计剩余的目标和量测信息,在全局范围内使用m-best数据关联算法进行跟踪。基于K-means聚类改进的m-best数据关联多目标跟踪算法进一步提高了算法的实时性。3.针对严重遮挡、漏检等造成的目标轨迹片段问题,本文提出了基于近邻传播聚类小轨迹关联的多目标跟踪算法。首先,该算法采用轨迹运动预测信息、轨迹动态运动特征及多通道颜色特征计算轨迹间的关联相似度;然后采用近邻传播聚类算法对小轨迹聚类,具有相同聚类中心的小轨迹认为是同一目标的轨迹片段;根据轨迹的时空约束条件和轨迹继承关系对聚类结果进行修正,剔除不符合条件的小轨迹,根据修正后的关联结果进行轨迹关联。该算法考虑了轨迹间隔时间内潜在的运动位置信息和轨迹运动的复杂度,对轨迹运动特征描述更加丰富。小轨迹关联算法为重新出现的目标提供了统一的身份标识,为后续的目标行为分析提供了更加完整的轨迹特征。