视觉跟踪是计算机视觉中的一个基本问题,它在视频监控、自动车辆导航、人机交互、医学成像等领域有着广泛的应用。虽然近几十年来,视觉跟踪的研究越来越受到人们的关注,并取得了显著的进展,但由于存在部分遮挡、运动模糊、光照变化、运动突变等诸多因素,视觉跟踪仍然是一个具有挑战性的课题。因此,如何设计在复杂场景下的长时间跟踪算法是亟待解决的关键问题。本文主要研究基于目标的长期跟踪的基础上,对群优化算法进行改进/混合,从而改善收敛性能。本文主要研究工作和创新点描述如下:(1)提出一种基于混合拓展蚁狮优化和正余弦优化(Hybrid Extended Ant Lion Optimiser with Sine Cosine Algorithm,EALO-SCA)的目标跟踪方法。首先,在标准的蚁狮优化(Ant Lion Optimiser,ALO)算法中,使用多个精英来代替单个精英改善极值信息。拓展蚁狮优化(Extended Ant Lion Optimiser,EALO)算法提高全局搜索能力。其次,考虑到正余弦算法(Sine Cosine Algorithm,SCA)具有较强的局部搜索算子,结合EALO和SCA的优点,提出了一种混合EALO-SCA的目标跟踪算法。EALO-SCA跟踪器可以提高跟踪精度和效率。最后,大量的定量和定性的实验结果证明,与7个最先进的跟踪器相比,该算法具有很强的竞争力,特别是在突变运动跟踪方面。(2)提出一种基于混合教与学优化和自适应蚱蜢优化算法(Hybrid Teachinglearning-based Optimization with Adaptive Grasshopper Optimization Algorithm,TLGOA)的目标跟踪算法。首先,采用正切函数的非线性策略代替标准蚱蜢优化算法(Grasshopper Optimization Algorithm,GOA)中的线性机制。改进的自适应蚱蜢优化算法(Adaptive Grasshopper Optimization Algorithm,AGOA)避免了局部嵌入问题,提高了全局优化能力,能够处理目标的突变运动问题。其次,考虑到教与学优化(Teaching-learning-based optimization,TLBO)算法具有明显的局部开发算子和较快的收敛速度,将AGOA和TLBO串联混合形成一种混合TLGOA,并设计了一种基于TLGOA的跟踪框架。最后,大量的实验结果表明,TLGOA与其他优化算法相比具有明显的优势,并证明了TLGOA跟踪器与其他先进的跟踪器相比具有很强的竞争力。