当前红外视觉目标跟踪算法在面对多种复杂情况时不能有效地跟踪目标。Staple(Sum of Template And Pixel-wise LEarners)是一种充分利用目标信息的视觉目标跟踪算法,主要针对可见光图像的运动目标跟踪任务,而红外图像与可见光图像相比存在很多差异,导致Staple算法直接应用于红外视觉目标跟踪的效果不理想。本文分析了产生这种现象的原因,并基于Staple算法提出相应的改进策略,具体如下:(1)针对红外图像信息缺失的问题,提出使用稀疏编码直方图(Histograms of Sparse Codes,HSC)特征对目标进行表达,增强跟踪器的表达能力,充分利用红外目标的结构信息。Staple算法使用方向梯度直方图(Histogram of Oriented Gradient,HOG)特征计算模板得分,HOG特征依赖于梯度的计算,因此难以在对比度低、细节缺失的红外图像上提取具有足够辨识能力的特征,而HSC特征则不依赖于梯度的计算,同时能够有效捕捉目标的边缘、角点等特征。通过将使用两种特征的两个相关滤波器的学习率设置为不同数值达到维持跟踪器的精确度和稳定性的目的。(2)利用红外图像的亮度较为稳定的特性,使用扰动感知模型重新设计Staple中的灰度直方图得分项,将周围环境中扰动项的影响有效降低。扰动感知模型对目标-背景和目标-干扰分别进行建模,并将两者合理融合得到灰度直方图得分,然后将此得分与基于HOG特征和HSC特征的模板得分进行融合,实现了对红外图像灰度信息特征的充分利用,这对于红外目标跟踪任务而言尤为关键。(3)利用自适应空间窗权重代替余弦窗对特征进行加权。自适应空间窗权重能够对明显的特征赋予较高权重,同时减轻边界效应,这样就使得相关滤波器具有更好的处理形变和部分遮挡的能力。此外,由目标的结构信息和灰度信息的固有关系出发,提出将空间窗权重与扰动感知模型进行结合,对隶属于目标的像素赋予较高权重,同时设置空间窗加权阈值,确保目标快速运动或产生剧烈形变时算法能够及时对目标进行精确定位。(4)针对Staple算法每一帧均进行算法参数更新的机制,使用全新判断标准——信息熵能量作为反馈。信息熵能量表征相关滤波器的响应图震荡的剧烈程度,可以用来判断当前帧中的“目标”是否可以作为新的训练样本:信息熵能量越大表明响应图震荡越剧烈,当信息熵能量大于设定的阈值时,则不对跟踪器的参数进行更新,反之亦然。