基于机载视觉的地面目标跟踪技术,不仅在现代战争中发挥着重要的作用,而且在森林防火、城市安防方面也发挥着不可替代的作用,而其中的关键就是对移动目标跟踪算法的研究。随着社会需求的增加和科技的进步,人们对无人机跟踪地面目标的能力要求越来越高,这也就对算法的跟踪能力提出了更高的要求。本文从机载视觉的特点出发,在大量实验的基础上,对多种移动目标跟踪算法进行精确的验证分析,选择能适用于机载视觉且跟踪效果相对较好的目标跟踪算法进行更进一步的研究。在进行了大量实验分析之后,针对选中的目标跟踪算法的缺点,进行针对性的改进,以使其更好的满足基于机载视觉的目标跟踪的要求。本文的主要研究内容如下:1.分析了无人机跟踪地面目标时的环境影响因素,选择了图像预处理算法。无人机在空中会受到风等自然因素的影响,产生剧烈的抖动,这就会引起视频的抖动;在视频信号的传输过程中,接收到的图像通常会含有高斯噪声;这些影响因素,通常会影响目标跟踪的效果,所以需要进行图像预处理,得到质量较高的输出图像。2.针对适用于机载视觉且跟踪效果较好的具有快速尺度估计特点的DSST(Discriminative Scale Space Tracking)目标跟踪算法对目标形变敏感的缺点,将颜色特征和HOG(Histogram of Oriented Gradient)特征进行融合,以提高跟踪能力。DSST算法对目标像素的空间分布有很高的依赖性,对于目标形变非常敏感,所以在目标发生剧烈形变时,跟踪效果不佳。而颜色直方图只是统计颜色的概率分布,所以对于目标像素的空间分布依赖性不高,对目标的形变不敏感。因此为了解决无人机在跟踪地面非刚性目标时,因目标剧烈形变导致跟踪失败的问题,对原DSST算法进行改进,将颜色特征和HOG特征进行有效结合。3.针对DSST算法在遇到目标被遮挡导致跟踪失败的问题,设计了一种改进的模型更新策略。无人机在跟踪地面目标的过程中,目标经常被树木、灯柱等遮挡,如果此时模型依然进行更新,就会引入过多的错误信息,进而导致跟踪失败。所以在目标被严重遮挡时不更新模型,在满足模型更新条件时更新模型。4.针对改进后算法运行速度慢的缺点,通过改进目标搜索策略并采用特征降维的方法,提高了算法的运行速度。无人机在跟踪地面目标时,需要算法具有良好的运行速度,但是上述改进引入一定的计算量,降低运行速度。为了提高算法运行速度,设计了一种新的搜索策略,在跟踪情况良好时,进行局部搜索,在情况不好时,进行全局搜索。同时通过数据降维,降低特征维度,减少计算量,提高算法运行速度和实时性。