林淑彬，吴贵山，许甲云，杨文元

1.闽南师范大学 计算机学院，福建 漳州363000

2.闽南师范大学 福建省粒计算及其应用重点实验室，福建 漳州363000

视频目标跟踪在很多领域有广泛的应用，特别是在无人机（Unmanned Aerial Vehicle，UAV）[1-2]中。无人机用于航空摄影[3]、野生动物保护[4]、智能视频监控[5]、交通监视[6]和农业植保[7]等领域。由于无人机多为高空拍摄，容易因快速运动、尺度变化、遮挡等场景的影响导致跟踪漂移或丢失[8]，因此如何有效地应对这些挑战[9-10]仍然是一项艰巨的任务。

近年来，Bolme等人[11]提出MOSSE算法，首次在目标跟踪领域引入相关滤波（Correlation Filter，CF），获得良好的跟踪性能。Li等人在SRDCF算法[12]的基础上，提出自适应空间正则化STRCF滤波算法[13]，进一步减少边界效应的影响。陆惟见等人[14]结合卷积神经网络，利用历史跟踪信息设计了多模板模型更新策略，解决未能充分利用历史跟踪信息的问题，增强跟踪鲁棒性。谢颍晓等人[15]利用视频序列的时空信息，对附近历史帧的相关特征进行策略性采样，把得到的特征向量按照一定权重进行聚合，提升了跟踪性能。

随着计算机视觉的发展，目标跟踪开始应用于无人机。Fu等人[16]通过学习多个部分背景感知滤波器来获得鲁棒目标模型。Wang等人[17]提出无人机跟踪的自适应采样算法，通过局部内核特征进行编码，采用边缘盒方案和随机抽样作为训练样本，结构化支持向量机实现训练和跟踪，取得良好的精度。Li等人[18-19]提出AMCF和ARCF跟踪算法，运用到实时的无人机跟踪上。AMCF跟踪算法通过记忆历史帧信息来训练滤波模板，通过上下文背景学习，增强模型判别能力，解决负样本和背景噪声干扰的问题。……