复杂地面背景下目标鲁棒跟踪技术是实现无人机对地侦察打击任务的基础,也是各类精确制导武器在末制导阶段实现实时准确捕获目标的关键。然而由于地面场景中存在光照变化、遮挡、尺度缩放、旋转、非刚体形变、杂乱背景干扰、由物体突然运动引起的图像模糊、相似物干扰等挑战因素,对运动单目标进行鲁棒跟踪仍面临诸多困难。本文从一个典型跟踪系统包含的四个组成部分入手展开研究,以半监督在线学习理论为基础,提出相应的跟踪算法以克服上述因素的影响。主要研究内容包括以下几方面:1、介绍了半监督在线学习的基本理论及两类典型的基于半监督在线学习的目标跟踪方法:Online MIL跟踪与TLD跟踪。它们对开展复杂地面背景下目标鲁棒跟踪技术研究具有重要的指导及借鉴作用。Online MIL跟踪用包袋来封装具有相近标签的实例,并用包袋标签代替实例标签,通过对样本标签进行模糊化处理以弱化监督效应,能较好的解决样本模糊问题,其实质是对目标外观表示方法的创新。TLD跟踪提出了一种新的目标跟踪框架,利用在线学习机制融合跟踪结果与检测结果,同时在线学习也使跟踪算法具有”记忆”功能,当丢失的目标在视场中重现时,能够重新捕获到该目标,它拓展和完善了传统的基于检测的目标跟踪理论,弥补了仅依靠纯检测或纯跟踪方法存在的跟踪性能不稳定的不足,实质是对跟踪方法的创新。2、提出了一种具有尺度自适应的特征压缩跟踪方法,解决辨别式跟踪算法中的样本特征降维及对目标尺度变化的适应性问题。将压缩感知理论引入目标跟踪领域,首先用一个满足有限等距准则的高斯随机测量矩阵对提取的样本特征进行压缩降维,再用降维后的特征进行分类,这不仅有助于降低计算量、提高跟踪算法的实时性,而且由于压缩特征保留了原始特征的大部分信息,因而能较好的表征目标特性、保证目标跟踪精度。同时,为了使跟踪算法适应目标尺度变化,在样本采样阶段,通过结构约束性采样获得能尽量反映目标位置及尺度变化的样本集,以便在跟踪过程中能找到与目标当前状态匹配的最佳样本。3、提出一种基于正负样本响应差异最大化的在线加权特征选择目标跟踪方法,解决特征冗余问题。分类器输入特征数量与输出性能之间不一定存在线性关系,当特征数量超过一定值时,不仅耗费巨大的计算开销,而且还会降低分类器输出性能。通过定义一个样本响应差异函数来选择多个特征选择器（即弱分类器）组成强分类器,并用该强分类器对样本进行分类,分类得分最高的样本块即对应当前帧跟踪结果。在选取特征选择器组成强分类器过程中,根据样本与目标位置间的距离及重叠度关系赋予该样本相应的权重,以突出正样本、抑制负样本,增强分类器对正负样本响应的辨识能力,从而找出最佳正样本来描述目标当前状态。4、提出一种基于压缩特征稀疏表示的目标跟踪方法,解决压缩特征在PCA子空间中的表示问题。PCA子空间表示法用目标模板集的主成分分量来描述候选目标,极大地增强目标外观描述能力,能够克服噪声、光照变化的影响。利用生成式表示策略及增量学习更新方式对表示目标外观模型的压缩特征子空间及琐碎模板进行稀疏表示,将目标跟踪看成是压缩特征的稀疏近似问题。为了更新遮挡条件下的目标外观模型,提出一种逆指示策略,根据压缩特征子空间获得的似然值寻找原始图像空间中具有最大观测似然的图像块。与基于模板集或基于PCA子空间的目标外观表示方法相比,本文方法虽然也需解决一序列l₁正则最小二乘问题,但由于压缩特征维数低,故计算复杂度大大降低。本文方法对光照变化、部分遮挡、尺度及姿态变化等因素的影响具有较强的鲁棒性。5、基于上下文在解决目标抗遮挡、相似表观干扰等方面表现出的优越性,提出两种基于上下文辅助的目标跟踪方法。一种是基于两级隐式形状模型的目标抗遮挡跟踪方法,主要解决严重遮挡条件下的目标定位问题。在两级码本特征中,一级特征源于目标自身,另一级特征源自周围目标,用这些码本特征构建两级投票模型。根据遮挡程度的不同,赋予这些特征不同的投票权重,以提高遮挡条件下的目标定位精度,该方法实质是利用稀疏上下文辅助目标跟踪。另一种是具有尺度及方向自适应的时空上下文（SOASTC）辅助目标跟踪方法,将目标跟踪看成是一个贝叶斯框架下求解目标位置似然置信图极值的问题,其突出的优点在于更新时空上下文模型、获取目标位置似然估计时利用FFT加速运算,运行速度较快。利用主成分分析法求解目标区域权值图像的协方差矩阵,估计目标尺度及旋转角度,自适应目标尺度及方向变化。该方法具有较强的抗遮挡及抗光照变化能力,对目标快速运动引起的图像模糊具有一定的适应能力,能够抗相似物干扰、目标非刚体形变及杂乱背景的干扰,实质是利用稠密上下文辅助目标跟踪。