近年来，无人机因其小巧灵活、智能自主等特点被广泛应用于民用 和军事等领域中，特别是搜索侦察过程中首要的目标跟踪任务。无人机 视觉目标跟踪场景的复杂性和运动目标的多变性，使得目标特征提取及 模型建立困难，对目标跟踪性能带来巨大的挑战。本文首先介绍了无人 机视觉目标跟踪的研究现状，梳理了经典和最新的目标跟踪算法，特别 是基于相关滤波的跟踪算法和基于深度学习的跟踪算法，并对比了不同 算法的优缺点。其次，归纳了常用的目标跟踪数据集和性能评价指标。 最后，展望了无人机视觉目标跟踪算法的未来发展趋势。

近年来，无人机凭借其体积小、动作灵活及易于 操控等特点，在民用、军事以及科学研究等多个领域 得到越来越广泛的应用，例如，恶劣环境下的电力线 路检测、大气环境检测、抢险救灾、侦察敌情、敌方 目标跟踪、搜索战场情报等［１－６］ 。在无人机的诸多 任务类型中，无人机目标跟踪有着重要的研究意义， 并逐渐成为目前无人机领域热点研究方向之一［７－８］ 。**无人机的目标跟踪能够通过多种方式来实现，比如，在跟踪目标上绑定电子标签或安装 ＧＰＳ追踪 器来辅助跟踪，但该类方法需要与目标进行近距离 接触，在实际跟踪任务中往往难以做到。**随着计算 机视觉技术的飞速发展，基于视觉的无人机目标跟 踪已成为最接近人类行为且最为直观的跟踪形式。 具体地，视觉目标跟踪是指在给定某视频初始帧中 感兴趣区域（如人、车辆等）的情况下，对视频中的 运动目标进行特征提取，根据提取到的目标特征来 预测未来时间帧中运动目标的位置和大小，从而完 成对目标的追踪任务［９－１１］ 。

无人机视觉目标跟踪与地面目标跟踪相比，面 临着 ４个挑战：１）由于空中视野广阔，干扰物体数 量较多，目标与其他物体之间、目标与背景之间相 互干扰，可区分性差，导致目标模型的可辨识性和 排他性不高，建立精准的目标模型较困难。２）当 无人机飞行在一定高度时，图像影幅变大，分辨率 和清晰度变低，地面上的待跟踪目标尺度变得很 小，目标特征和纹理变得稀少，使得目标特征提取 困难，特征表示不显著，导致目标检测和跟踪难度 变大。３）无人机在跟踪过程中易受到风力等外界 因素的影响，导致相机抖动、视角变化、运动模糊 等现象频繁，从而易产生跟踪漂移和丢失的情况， 实现鲁棒、稳定、长时的无人机目标跟踪较为困 难。４）由于无人机自身结构特点，大多数无人机 仅有一个 ＣＰＵ，计算资源有限，无法承受复杂度太 高的运算，如何在保证精度的情况下开发复杂度低 的跟踪算法是极具挑战的。随着无人机技术的发展 和计算机信息处理能力的提升，尽管无人机视觉目 标跟踪算法有了突破性进展，但由于上述难点的存 在，无人机视觉目标跟踪算法仍有很大的发展空间。 视觉目标跟踪方法主要分为生成类跟踪方 法［１２－１３］ 和判别类跟踪方法［１４－１６］ 。生成类跟踪方法 通常忽略背景信息的影响且假设目标外观在一定时 间内保持不变，故该方法无法处理和适应复杂的跟 踪变化。判别类跟踪方法，尤其是基于相关滤波和 基于深度学习的算法，在一定程度上解决了样本不 足的问题，且能够提取目标中更多有用信息，显著 提高目标跟踪准确率和速度。判别类跟踪算法出现 之后，经典的生成类跟踪算法逐渐淡出，其主要原 因是因为这些算法无法适应复杂多变的跟踪场景， 其鲁棒性和准确性被前沿算法所超越。然而，由于 上述目标跟踪挑战的存在，判别类跟踪算法仍存在 一些不足。为了构建一个更精准、更高效且更鲁棒 的通用跟踪器，未来研究应重点关注高效的在线训 练和失跟后的重新检测机制，提高目标被完全遮挡 后的跟踪效果，同时，应关注如何引入迁移学习和 对抗学习等前沿方法来提高特征提取有效性，提高 算法对低分辨率的小目标的跟踪性能，从而应用于 机载无人机来完成实时跟踪任务。文［１］重点对无 人机目标跟踪算法的共同框架进行了详细描述，分 析了现有技术的不足，并提出了目标跟踪未来的发 展方向。文［１６］系统地介绍了基于生成类和判别 类的视觉目标跟踪算法，但未涉及目标跟踪效果的 相关评估标准，且未对无人机空中监视场景中的难 点进行分析。为使相关研究人员对无人机视觉目标 跟踪领域的研究有更加清晰深入的了解，本文结合 无人机自身结构特点，首先对应用于无人机领域的 目标跟踪算法进行了梳理总结，分析了各算法的核 心思想及优缺点。其次，考虑到跟踪算法在无人机 平台上的应用前景，重点对基于相关滤波的跟踪算 法和基于深度学习的跟踪算法进行了详细介绍，阐 述了各算法的特点和贡献，并对比了各算法的跟踪 效果，图 １为两类目标跟踪算法的分类框架图，图 中所涉及的算法缩写及其全称如表 １所示。接着， 归纳了无人机目标跟踪领域的跟踪数据集和跟踪性 能评价标准。最后，对全文进行了总结，并对无人 机视觉目标跟踪的发展方向进行了展望。