近年来,视觉传感器和处理器性能的不断提升为相机阵列的研究奠定了硬件基础。与单相机采集装置不同,相机阵列拥有更大的视野范围,获取到的信息也更加丰富。作为常用的光场采集设备之一,相机阵列不仅能够采集成像平面的色彩信息,而且可以记录成像光线的角度信息。因此,基于相机阵列的算法研究打破传统单一视角算法的局限,通过融合多视角获取的互补信息,为解决复杂场景中的目标遮挡问题提供了新的解决思路。本文在相机阵列的基础上,针对遮挡目标的成像与跟踪问题进行了深入研究,研究内容主要包括以下几个方面:(1)搭建了一套相机阵列同步采集系统,并对基于平行视差和光束法平差的相机阵列标定方法分别进行了研究。本文采用网络相机构建相机阵列,并设计多线程并行的采集架构保证采集光场数据的同步性。此外,本文对基于平行视差和光束法平差的相机阵列标定算法原理进行了深入研究,并在采集到的标定数据上对标定精度以及成像效果进行了实验分析。(2)实现了一种基于CUDA并行计算架构的合成孔径成像算法。基于相机阵列的合成孔径成像算法需要处理的合成信息丰富、数据量大。为了提高算法的实时性,满足实际应用需求,本文采用基于查找表的图像校准方法以及多线程并行的视差消除、图像合成策略,实现了合成孔径成像算法基于CUDA并行计算架构的加速设计。为了验证该算法的有效性,本文进行了统计实验验证以及成像效果分析。实验结果证明,该方法与传统合成孔径成像算法相比运行效率提升了20.94倍,能够达到对遮挡目标实时成像的效果。(3)提出了一种基于语义驱动的去遮挡合成孔径成像算法。算法主要分为两部分:语义信息深度目标标注图的生成和数据驱动的可变孔径合成成像。首先,本文从语义信息着手提出了一种基于语义反馈的深度目标标注图生成方法。具体的,这里使用深度学习算法在合成图像上挖掘目标信息,并且将该信息和目标深度反馈到相机阵列各个视角下,得到对应的深度目标标注图。然后,基于深度目标标注图对任意指定深度进行可变合成孔径成像。可变孔径主要包含两个层次:一个是合成深度和视角驱动的自适应可变成像孔径;另一个是深度目标标注图中视觉信息驱动的光线筛选。最后,在CUDA并行计算架构上实现了剔除前遮挡信息的遮挡目标清晰成像,并在多组室内外复杂场景中对本文提出算法进行评估,证明了该方法的有效性和优越性。(4)提出了一种基于空-时关联的相机阵列协同跟踪算法。由于目标在场景中具有时空一致性,那么对任意时刻的目标进行时序与空间上的数据关联,即可得到多目标跟踪的完整轨迹。首先,使用YOLOv3网络针对行人头部建立检测模型。为了有效地解决场景中行人遮挡以及视角变化带来的检测问题,本文构建包含不同距离、不同角度的行人头部数据集对网络进行训练。然后,在检测的基础上,对目标进行时序以及空间上的数据关联。时序上,利用目标重叠模型相似度构建代价矩阵进行目标关联,从而获得单相机下目标的运动轨迹。空间上,设计了基于对极几何约束的目标相似度模型进行跨视角数据关联,并根据相机阵列空间关联信息对单相机跟踪结果进行决策,最终获得持续稳定的多目标跟踪轨迹。本文在自建相机阵列多目标跟踪数据集上对该算法进行了测试,证明了该算法的有效性和鲁棒性。