基于视觉的车辆跟踪是现代交通系统中的热点问题之一,其主要任务是在监控视频中检测和跟踪车辆并获取道路的交通信息,为进一步合理地调度交通资源提供参考依据。相比传统固定视角的视频采集,利用旋翼无人机进行监控并跟踪车辆,能突破视角限制实现更大范围内的交通信息采集。因此研究并设计高效而准确的无人机车辆跟踪算法,具有重要的应用价值。近年来流行的核相关滤波跟踪算法(Kernelized Correlation Filter,KCF)由于其跟踪准确率较高且处理速度快,是实现无人机实时车辆跟踪的良好选择。然而,由于无人机和目标车辆之间的相对运动和遮挡等影响,该算法还不能完全应对快速运动、运动模糊和遮挡等实际问题。针对这些问题,论文分析了KCF算法的不足之处并提出相应的改进方法以提高跟踪鲁棒性。具体工作如下:一、KCF算法在循环密集采样过程中存在边界效应从而限制了跟踪器的搜索区域,导致车辆在快速运动时可能跟踪失败,针对这一限制论文提出了一种基于二次搜索的核相关滤波跟踪算法。该算法在KCF算法的框架下,增加了一个核相关滤波器来对目标上下文进行建模,该滤波器作为候选模型为原有的跟踪器提供了新的目标检测点,扩大了跟踪器的搜索范围,此外还加入了目前常用的尺度估计方法。以公开数据集OTB 2013为测试集的实验表明,在整体的平均距离精确度上改进后的算法比KCF算法提高了7.2%,在形变、快速运动、运动模糊和背景杂乱等属性下的准确度的提升更为显著。二、针对核相关滤波器没有遮挡判断机制而无法应对遮挡的问题,提出一种融合卡尔曼滤波的核相关滤波车辆跟踪方法。该方法使用核相关滤波器的输出来判别目标是否被遮挡,在遮挡情况下利用卡尔曼滤波器来估计目标的位置,并通过改进的重新检测方法在大范围内搜索目标。实际场景下的实验表明,卡尔曼滤波能较为准确地估计线性运动目标的位置,并提高跟踪器应对遮挡的能力。三、针对跟踪过程中遇到的复杂遮挡问题,借助无人机可利用的传感器资源,提出了一种地图辅助跟踪的方法。该方法在离线地图上预先标记遮挡信息,在复杂的遮挡情况下能为跟踪器提供参考信息以完成目标的重新搜索。实际场景下的实验表明,在发生遮挡后,利用离线标记的地图可以有效缩小跟踪器搜索目标的范围,提高跟踪器应对复杂遮挡的能力。