无人机对地运动目标跟踪技术是计算机视觉领域的研究热点之一,在安防和国防等领域具有重要的应用前景。目前,基于“先检测后跟踪”的技术策略是实现航拍视频下目标自动跟踪的主流方法。其中,无需大量先验信息仅利用目标运动特性的在线检测器是机载平台实现普适性运动小目标检测的最常用方法。但是,环境噪声及移动平台造成的虚假检测,目标自身运动的变速变向、背景环境的变化及干扰、多目标互相干扰等造成的目标在图像上的非线性形变,以及受到成像角度影响的场景遮挡而造成的目标在图像上消失,均给后续的目标跟踪带来了极大的挑战。针对上述问题,本文对图像序列上运动目标在线外观模型建模以及目标外观/运动规律挖掘这两个科学问题展开研究,实现长时运动目标跟踪,为无人机实时对地观测的目标识别、场景感知、行为理解等高级处理提供基础。本文主要研究内容和创新点如下:1.提出了一种基于动态稀疏投影表示的目标外观模型跟踪方法,通过在线训练目标外观模型,解决了航拍视频目标非线性形变下的目标跟踪问题。传统的基于稀疏投影表示的跟踪方法采用固定的随机投影矩阵,无法有效的区分固定跟踪框中的目标与背景特征,累积误差容易造成目标跟踪偏移问题。本文通过采用多个随机投影矩阵获取不同的特征组合,利用自适应的动态权值分配,获取最优的特征组合实现目标外观模型的更新。实验表明,与传统方法相比,该方法取得了较高的跟踪精度和跟踪成功率,有效降低了航拍视频下目标跟踪偏移风险。2.提出了一种基于稀疏投影表示和目标外观概率模型优化的目标跟踪方法,提升了航拍视频运动目标跟踪和定位的鲁棒性。传统的基于稀疏投影表示的跟踪方法利用单一的特征表示以及固定的外观模型更新策略,容易造成复杂环境以及低分辨率、低对比度情况下的跟踪偏移问题。本文通过融合目标外观像素特征和稀疏投影特征提升目标外观表达能力,并利用目标自身以及周围相似目标的状态分析,设计反馈机制实现目标外观模型的自适应更新。实验表明,与传统方法相比,该方法有效提升了目标跟踪精度和跟踪成功率,进一步降低了航拍视频下局部遮挡以及相似目标干扰下的目标偏移风险。3.提出了一种基于目标置信度的多层数据关联目标跟踪方法,解决了航拍视频运动目标检测失效条件下的目标长时跟踪问题。传统的基于数据关联的目标跟踪方法都直接利用目标检测结果实现目标轨迹的构建。对目标检测结果的依赖性,造成了当目标出现非线性形变以及目标消失再出现时,无法有效的实现长时目标跟踪。本文引入在线目标外观模型训练以及目标置信度分析,将目标轨迹和目标检测分成多组,并利用多层不同的数据关联技术分别完成目标轨迹初始化、目标轨迹更新、目标轨迹修正以及目标轨迹重连接等。实验表明,在相同的目标检测条件下,本文方法在网络公开数据以及自建数据库上,均降低了目标轨迹的缺失率并提升了目标轨迹的成功率,有效提升了航拍视频下目标长时跟踪的鲁棒性。