目标跟踪是当前机器视觉领域内研究和应用的热点,国内外学者致力于提升跟踪算法的准确度和鲁棒性。如今,随着无人机在生产生活中的广泛应用,在无人机平台上实现计算机视觉应用已经成为了一种发展趋势。本文设计了一种伪孪生网络框架,该框架包含一个目标跟踪分支和一个模板库分支,分别执行目标跟踪任务和模板存储更新任务。目标跟踪分支是基于核密度估计改进的算法完成目标跟踪任务,该分支算法能解决无人机目标跟踪过程中的尺度变化、背景干扰等问题。同时,将每一帧跟踪得到的目标模型输入模板库分支进行处理。模板库分支完成目标特征模型在跟踪过程中选择性存储任务。对模板库内的模板进行评分,选择恰当的模板输入跟踪分支作为后续跟踪的目标特征模型,以解决初始帧目标模型特征拟合能力逐渐减弱的问题。本文的工作可以总结为以下几个方面:在目标跟踪分支,使用基于核密度估计改进的算法对目标进行跟踪。针对无人机目标跟踪过程中目标尺度多变的问题,对候选目标使用可变带宽的核密度估计进行特征表达,通过对目标特征与候选特征模型相似度计算对尺度自适应的调整,其次,对估计尺度引入两个正则项,并进行后向一致性检测验证尺度估计的合理性,并根据验证结果确定尺度。针对无人机飞行高度的不确定性,目标跟踪框中引入大量的背景噪声,目标受到背景噪声的影响较大,自相似对象的尺度模糊度较高的问题。为了降低背景信息对跟踪效果的影响,提出基于背景像素权重的相似度衡量,将背景像素直方图引入相似度衡量的计算中,增强了算法在复杂背景下跟踪的准确性。在模板库分支,对目标跟踪分支跟踪得到的目标的特征模型有选择性的存储以建立模板库。核密度估计方法使用初始帧目标的特征模型贯穿整个跟踪任务,初始帧特征模型在跟踪过程中,其拟合能力逐渐减弱,易导致目标难以匹配等问题。针对该问题,本文提出伪孪生网络框架的模板库分支策略,将跟踪分支在每一帧得到的目标特征模型选择性的存入模板库,通过既定的评分机制选择恰当的模板输入跟踪分支作为后续帧的目标模型。无人机目标跟踪的实际测试。根据跟踪算法的应用场景、功耗以及无人机体积、嵌入式硬件等多方面的考量。对无人机的软硬件基础平台进行了搭建。然后将算法移植到无人机平台,对无人机目标跟踪算法进行实际测试,测试结果表明该系统可以在实际飞行中对目标进行尺度自适应的跟踪。