从视频中提取的有效信息是人类做出决策的重要依据,如何使用工具自动提取视频有效信息一直人类所追求的。目标追踪技术一直都是机器视觉研究领域的重要研究方向之一,在自动驾驶、飞行控制、视频监控以及无人机侦察等多个现实场景中都有着大量的应用。视频目标跟踪的主要任务是在给定视频序列的第一帧中手动标记待跟踪的目标,然后在未知后续帧中目标位置的情况下准确快速地估计目标的位置。然而,在实际应用场景中,存在着很多干扰因素影响追踪算法的追踪性能,如目标遮挡、目标快速移动、摄像机抖动、背景目标相似、运动模糊和视野外等。因此,设计一种精度高、实时性好且鲁棒性好的目标追踪算法仍然是一项具有挑战性的课题。本文将在Mean Shift算法、压缩追踪算法以及孪生网络的基础上,从关键参数自适应、特征表示、模板更新、损失函数以及模型融合等方向展开研究,旨在提升追踪算法的性能。本文的主要工作如下:1.提出一种基于混沌粒子群均值漂移的车辆追踪算法。针对均值漂移算法中核函数带宽选择困难问题,结合粒子群算法进行自适应核函数带宽,并针对粒子群算法易限于局部最优问题,在其基础上融入了混沌变量,利用混沌变量的特性可以使得粒子群算法跳出局部最优的状态,从而达到全局最优的目的。2.提出了基于稀疏表示改进的压缩车辆追踪算法。针对经典的目标压缩追踪算法中的不足处进行了改进,在特征选取上,提出了使用主成分分析法来选择高区分度的特征。然后提出了基于Bhattacharyya距离的模板更新策略,最后设计了一种粗精的搜索策略来进行自适应目标窗口的大小。3.提出了基于改进Siamese FC网络的车辆追踪算法。首先利用多层网络的特征的融合来得到具有鲁棒性好的特征。针对正负样本的不均衡问题以及困难样本问题,改进损失函数,使得损失函数更加关注小类别的样本和困难样本。4.提出了基于均值漂移算法的Siamese FC网络的车辆追踪算法。采取追踪置信度的方式来对目标车辆区域模板更新,以适应目标车辆的形状变化和背景信息变化。针对改进的Siamese FC网络追踪的目标车辆发生漂移现象的视频帧,通过引入均值漂移算法对其进行目标车辆的位置优化。