随着计算机视觉领域的快速发展,众多研究成果已成功应用于现代民用和军事任务中。基于匹配的跟踪算法通过建立包含目标信息的参考模板,并全图搜索进行匹配,可以实现对目标地跟踪。但在实际应用中,单一特征不能较好地表征复杂场景下的目标特性,当跟踪过程中出现干扰情况时,容易导致目标出现偏差、丢失的现象,因此将不同特征进行融合可以更加有效地表达出目标特性,提高跟踪算法的精确度。另一方面,鸡群优化算法是一种多子群协作的智能优化算法,具有解决寻优问题的自适应能力和较好的扩展性。但传统的鸡群优化算法存在种群多样性不足、早熟收敛且容易陷入局部最优点等缺陷,本文分析了鸡群优化算法自身局限性对目标跟踪性能的影响,提出一种改进的鸡群优化目标跟踪算法。本文主要工作从以下五个方面展开:(1)目标特征融合:由于HSV颜色特征对目标形变不敏感且更符合人类视觉角度,而Hu不变矩在连续图像帧中具有平移、伸缩、旋转不变性,且计算量较小等优点,因此将HSV颜色特征和Hu不变矩特征相结合以建立目标参考模板,通过实验结果表明,特征融合的鸡群优化目标跟踪算法可以有效提高目标跟踪的准确度,在广泛场景下具有良好的适应性。(2)加权中心个体:大多数鸡个体在搜索后期向局部极值点聚集,导致鸡群丢失多样性,容易陷入局部最优解,出现早熟收敛的现象。为了避免这种缺陷,在母鸡群体中引入一个加权中心母鸡个体,它与整个鸡群中所有个体一起参与竞争全局最优个体位置,增加了种群的多样性。(3)自适应的惯性权重:引入一种自适应的惯性权重w,惯性权重的大小由个体适应度值和当前迭代次数共同决定,以协调个体在不同时期的搜索能力。通常,在搜索前期为了迅速定位到全局最优点周围区域,应设置较大的惯性权重以加强全局搜索能力,而在搜索后期为了能够准确地得到全局最优点,应逐渐减小惯性权重以加强局部搜索能力。(4)改进鸡群的位置更新方式:在位置更新过程过程中,公鸡个体在继承自身位置的同时还应向当前种群中最优个体学习;母鸡个体通过学习该子群中公鸡个体和其他个体的信息进行位置更新,但母鸡个体缺乏对自身的学习;小鸡更新的过程中仅仅向母鸡妈妈个体学习,缺乏寻找最优点的指向性,针对以上不足,本文引入加权中心个体和自适应的惯性权重对上述问题进行改进。(5)抗遮挡的模板更新策略:为了有效应对场景变化,本文提出一种抗遮挡的模板更新策略,通过引入遮挡阈值判断机制来判定目标是否发生遮挡,并相应地进行模板更新。加入抗遮挡的模板更新策略,当目标被遮挡后能保证及时恢复准确、有效地跟踪,可以改善目标跟踪算法的鲁棒性。